The Spatial Cram'{e}r--von Mises Test of Independence under $\beta$-Mixing: Asymptotic Theory and Python Implementation

技術的概要：$\beta$-混合下における空間的クラメール・フォン・ミーゼス独立性検定

問題定義
本論文は、$\mathbb{R}^2$上の定常ランダム場における二変量独立性の検定という課題に取り組んでいる。古典的なクラメール・フォン・ミーゼス（CvM）検定は、独立同一分布（i.i.d.）の観測値に対して確立されているが、複雑な依存構造のため、空間的に依存するデータへの適用は容易ではない。帰無仮説 $H_0$ は、二変量ランダム場 $Z_s = (X_s, Y_s)$ の周辺成分 $X_s$ と $Y_s$ が独立であることを示唆し、これは結合累積分布関数（CDF）が $H(x, y) = F_1(x)F_2(y)$ と因数分解されることを意味する。著者らは、多項式 $\beta$-混合依存下における空間的 CvM 統計量の漸近分布を導出し、再現可能な Python 実装を提供することを目的としている。

手法
著者らは、関数中心極限定理（FCLT）を必要としない理論的枠組みと計算パイプラインを提案する。この手法は、以下の 3 つの主要な理論的要素に基づいている。

1. ダヴィドフ型共分散上限: 著者らは、減衰率 $\theta$ が $\theta > 2(2 + \delta)/\delta$ を満たす多項式 $\beta$-混合条件の下で、空間共分散カーネルの可積分性を確立する。これにより、極限定理の前提条件である空間共分散の絶対和可能性が保証される。
2. U-統計量の再定式化: De Wet (1980) に倣い、空間的 CvM 統計量を、積カーネル $Q = G_1 \otimes G_2$ を持つ次数 2 の退化 U-統計量として再定式化する。この「内形」アプローチは経験的周辺 CDF を利用し、2 次元のスペクトル問題を 2 つの 1 次元問題に還元することを可能にする。
3. 極限定理の拡張: 退化 U-統計量に対する Gregory (1977) の極限定理と、$\beta$-混合列への Yoshihara (1976) の拡張を組み合わせることで、著者らは関数空間（例：$C([0, 1])$）における弱収束を証明することなく、漸近分布を導出する。

主要な貢献

• 漸近理論: 本論文は、中心化され正規化された空間的 CvM 統計量の極限分布を導出する。帰無仮説の下で、統計量は相関のある $\chi^2_1$ 変数の重み付き和に収束する。重要なのは、極限作用素の固有値が周辺固有値の積として因数分解されることである（$\gamma_{jk} = \lambda^{(1)}_j \cdot \lambda^{(2)}_k$）。
• 小帯域幅極限: カーネル帯域幅 $h \to 0$ の極限において、極限変数間の相関は消失し、分布は独立な $\chi^2_1$ 変数の重み付き和に還元され、古典的な i.i.d. 形式を回復する。
• 明示的な臨界値: 著者らは、3 つの一般的な重み関数（一様、最適正規、アンダーソン・ダーリング）に対応する固有値の明示的な式を提供する。これにより、数値積分なしで臨界値を計算することが可能になる。
• ソフトウェア実装: 完全な Python パッケージが文書化されており、以下の機能を備えている。
  • 巡回埋め込みによるマテルンランダム場の生成。
  • 内形カーネル分解を用いた CvM 統計量の計算。
  • 極限分布のモンテカルロシミュレーションによる漸近的臨界値の評価。
  • 有限サンプルの p 値のための置換に基づく推論。
  • 検出力比較のための競合検定（マンテル、クロス K、距離共分散）の実装。

結果
$m \times m$ 格子上で実施されたシミュレーション実験は、以下の知見をもたらした。

• サイズ較正: 中程度から強い混合の下で、サンプルサイズ $n \ge 400$ において、検定は許容可能なサイズ（名目水準から 1〜2 パーセントポイント以内の棄却率）を維持する。$n=100$ において、弱い混合（$\theta=3$）の下では検定はわずかに過大になる。
• 検出力性能:
  • アンダーソン・ダーリング重み関数は、ガウスおよび t-コピュラ代替仮説において、特に弱い依存レベルで一貫して最高検出力を達成する。
  • 最適正規重みは、発散する中心化定数によって臨界値が膨張するため、弱い代替仮説においてほぼゼロの検出力を示す。
  • 一様重みは競争力があるが、一般的にアンダーソン・ダーリングに劣る。
• 競合検定との比較:
  • マンテルおよびクロス K検定は、空間的に相関する場における交差依存性に対して検出力を示さず、空間的自己相関と真の交差依存性を区別できない。
  • 距離共分散検定は良好に機能するが、弱い代替仮説において一般的にアンダーソン・ダーリング CvM 検定に劣る。
• 頑健性: 検定サイズと検力は、マテルン有効範囲パラメータの変化に対して安定しており、小帯域幅極限実装の頑健性を確認する。

意義と主張
本論文は、その主な意義が、より要求の厳しい関数中心極限定理に頼らずに、空間的に依存するデータに対する CvM 検定の使用に対する厳密な漸近的正当性を提供することにあると主張している。U-統計量の経路を利用することで、著者らは緊密性の議論（アルツェラ・アスコリ）と括弧エントロピー計算を回避し、スカラー収束のみを必要とする。

著者らは、空間的 CvM 検定を、従来の空間検定（マンテル、クロス K）が失敗するランダム場における交差依存性の検出のための頑健なツールとして位置づけている。この研究は「頑健性の結果」として機能し、混合条件が満たされれば、小帯域幅極限の下で空間的に依存するデータに対して標準的な i.i.d. 臨界値を使用することを正当化する。本論文はすべての空間的独立性の問題を解決するとは主張していないが、$\beta$-混合下における二変量独立性検定に対する具体的かつ理論的に裏付けられた解決策を、即時適用可能な検証済みソフトウェア実装を伴って提供している。