Finite-sample nonparametric mean tests: Leave-one-out duality and asymptotic optimality

技術的要約：有限標本非パラメトリック平均検定：Leave-one-out 双対性と漸近的最適性

問題設定
本論文は、非負の確率変数の平均に関する有限標本で有効な仮説検定の問題を扱う。具体的には、未知の分布（$\mathbb{R}_+$ 上）からの独立同一分布（i.i.d.）な観測値 $X_1, \dots, X_n$ が与えられたとき、以下の片側仮説を検定することを目的とする：
$$H_0: \mu \le 1 \quad \text{対} \quad H_1: \mu > 1.$$
平均に関する標準的な非パラメトリック推論は、分布の制約がない限り、一般には不可能である。これは、すべての有限な平均を持つ分布のクラスに対して、一様レベル $\alpha$ の検定はあらゆる対立仮説において検出力が最大でも $\alpha$ になることを示した Bahadur および Savage [1956] によって確立されている。この不可能性は、平均がロバストではないことに起因する。すなわち、不都合な方向へのわずかな確率質量が、有限標本の統計量には無視できるほどの影響しか与えない一方で、平均を劇的に変化させてしまう可能性がある。

著者らは、この問題を非負の確率変数（$X_i \ge 0$）に限定している。これにより、有効な検定の構築が可能となるが、既存の手法には限界がある。標準的な置換検定や順位検定は直接適用できない。正規近似やブートストラップ法は、漸近的な妥当性しか提供しない。また、集中不等式に基づく手法（例：Hoeffding、Bernstein）は、通常、既知の有界なサポート、分散の制御、またはより強いモーメント仮定を必要とするが、これらは重い裾を持つ分布や高度に歪んだ非負データ（例：保険の損失、顧客あたりの収益）の設定では利用できないことが多い。

手法：Leave-one-out 双対証明フレームワーク
核心となる手法上の貢献は、「leave-one-out 双対証明（dual certificate）」フレームワークである。著者らは、条件付き平均が $E_P[X_i | X_{-i}] \le 1$ をほとんど至る所（almost surely）で満たす分布を含む、leave-one-out 帰無クラス $\mathcal{P}^n_{loo}$ を定義する。

統計量 $T: \mathbb{R}^n_+ \to [0, 1]$ が有効な p 値であること（すなわち、すべての $P \in \mathcal{P}^n_{loo}$ に対して $P(T(X) \le \alpha) \le \alpha$ であること）を証明するために、著者らは実現可能な分布のクラスに対する最適化問題を定式化する。彼らは、この問題のラグランジュ双対を利用する。非負のラグランジュ乗数 $\lambda^{(i)}_\alpha$ を導入することで、以下の点別不等式条件（cert と表記）を導出する：
$$\alpha + \sum_{i=1}^n \lambda^{(i)}_\alpha(x_{-i})(x_i - 1) \ge \mathbb{1}\{T(x) \le \alpha\} \quad \forall x \in \mathbb{R}^n_+.$$
もしこのような非負の関数 $\lambda^{(i)}_\alpha$ が存在すれば、弱双対性により $T$ は有効な p 値であることが保証される。このアプローチにより、分布に関する無限次元の最適化が、点別の不等式を満たす関数の探索へと簡略化される。

このフレームワークの重要な拡張は、「双対スイッチング（dual switching）」原理（定理 5.1）である。もし二つの p 値 $S$ と $T$ が特定の単調性と順序特性を持つ双対証明を認めるならば、それらの点別最小値 $\min\{S, T\}$ もまた有効な p 値となる。これにより、妥当性を損なうことなく、異なる検定戦略を組み合わせることで検出力を向上させることが可能になる。

主要な貢献と結果

1. 非パラメトリック尤度比（$T_{nplr}$）の妥当性の検証：
   本論文は、Wang および Zhao [2003] によって提案された統計量 $T_{nplr}$ の、leave-one-out 帰無仮説下での有限標本における妥当性の厳密な証明を提供する。この統計量は、以下の非パラメトリック尤度比によって定義される：
   $$T_{nplr}(x) = \min_{t \in [0,1]} \prod_{i=1}^n (1 - t + t x_i)^{-1}.$$
   Wang および Zhao はその妥当性を推測し、Ming ら [2026] による同時期の研究は異なる表現を用いてこれを検証したが、本論文は双対証明フレームワークを用いて、leave-one-out 帰無仮説の下での妥当性を確立する。

2. 一般化二項 p 値（$T_{bin+}$）：
   著者らは、Clopper-Pearson の正確な二項検定を一般的な非負の確率変数へと拡張した、新しい統計量 $T_{bin+}$ を導入する。これは、観測値が $\{0, x_{max}\}$ の値をとる「最悪のシナリオ」を考慮することで構築される。この統計量は以下のように定義される：
   $$T_{bin+}(x) = \frac{\int_{-1/(x_{max}-1)}^0 \prod_{i \ne j} (1 + s(x_i - 1)) ds}{\int_{-1/(x_{max}-1)}^1 \prod_{i \ne j} (1 + s(x_i - 1)) ds},$$
   ここで、$j$ は $x_j = x_{max}$ となるインデックスである。本論文は、$T_{bin+}$ が $\mathcal{P}^n_{loo}$ に対して有効な p 値であることを証明し、積関数の積分を用いた効率的な表現を提供する。

3. 結合統計量：
   双対スイッチング原理を用いることで、著者らは点別最小値 $\min\{T_{nplr}, T_{bin+}\}$ が有効な p 値であることを示す。この結合統計量は、それぞれの成分単独よりも強力である。なぜなら、$T_{nplr}$ は複数の観測値に分散した証拠に対して敏感であり、$T_{bin+}$ は少数の大きな外れ値に集中した証拠に対して敏感であるためである。

4. 漸近的最適性：
   本論文は、i.i.d. 帰無仮説 $\mathcal{P}^n_{iid}$ の下での二つのレジームにおける鋭い最適性結果を確立する：

   • ゼロ・ワン検察可能性（Zero-One Detectability）： モーメント仮定のない完全な非パラメトリック・レジームにおいて、二乗ヘリンジャー距離 $H^2(Q_n, \mathcal{P}_0)$ が検察可能性を決定する。$n H^2 \to \infty$ の場合、検定 $T_{nplr}$、$T_{bin+}$、およびそれらの最小値は漸近的検出力を 1 を達成する。$n H^2 \to 0$ の場合、どの検定も検出力 $\alpha$ を超えることはできない。
   • 局所漸近検出力： 帰無仮説に $n^{-1/2}$ の速度で接近する正則な局所対立仮説の下では、最適な非パラメトリック検出力はガウス平均シフト実験の検出力と一致する。本論文は、$T_{bin+}$ および $\min\{T_{nplr}, T_{bin+}\}$ がこの最適な検出力を達成することを証明する。対照的に、$T_{nplr}$ は厳密に保守的であり、最適な局所漸近検出力を達成できないことが示されている。

意義と主張
本論文は、広範な leave-one-out 帰無仮説の下での非パラメトリック尤度比統計量 $T_{nplr}$ の有限標本における妥当性という未解決の問いを解決したと主張している。また、非負のデータに対する非パラメトリック検定の空白を埋めるべく、正確な二項法を非有界なサポートへと拡張した新しい統計量 $T_{bin+}$ を導入している。

本研究の意義は以下の点にある：

• 理論的厳密性： 実践的には非現実的であることが多い、有界なサポートや分散の仮定を必要とせずに妥当性を証明する、統一された双対フレームワークを提供している。
• 最適性： $T_{nplr}$ が妥当ではあるものの、局所漸近レジームにおいては劣最適である一方で、$T_{bin+}$ が非パラメトリックの検出力下限を達成することを示している。
• 実用的有用性： これらの統計量を組み合わせることで、有限標本で妥当であり、かつ漸近的に最適である手法が得られ、数値実験において既存の手法（CDF バンド法、ベッティングベースの手法、経験的 Bernstein 境界など）に対して大幅な検出力の向上が得られる。

著者らは、自らの結果が非負の確率変数および leave-one-out 帰無構造に特有のものであることを強調しており、より広い逐次的な帰無仮説に適用される逐次的ベッティング手法（例：Waudby-Smith and Ramdas [2024]）とは区別される。