One Truncated Likelihood Expansion: Estimation, Testing, and Classification as a Single Captured-Fraction Functional

技術的要約：一つの截断された尤度展開

問題提起
統計的推論において、パラメータ推定、仮説検定、および信号分類（分解）は、伝統的にそれぞれ異なる理論的メカニズムと品質指標（推定量の効率性、誤り確率／検出遅延、および再構成誤差）によって制御される、別個のタスクとして扱われてきた。本論文は、これらのタスクがしばしば孤立して研究されており、それらが共有する構造的な限界を不明瞭にしていると指摘する。対処すべき中心的な問題は、古典的な直交展開（例：エルミート多項式）が、重い裾を持つ分布（ヘビーテイル分布）の下で機能しなくなるような状況において、これら3つのタスクを単一の対象、および単一の「完備性」の尺度によって統一できるか否かである。

手法
本論文は、固定された（おそらく非直交な）基底 $\{\phi_i\}$ における対数尤度の截断展開に基づく統一フレームワークを提案する。核となる手法は以下の通りである：

1. マスター・オブジェクト： 截断されたクンチェコ（Kunchenko）尤度級数は次のように定義される：
   $$\log p(x; \theta) = \psi_0(\theta) + \sum_{i \le m} k_i(\theta) (\phi_i(x) - \psi_i) + R_m(x; \theta)$$
   ここで、係数は正規系（一般化最小二乗法）を通じて解かれ、$R_m$ は直交截断残差である。

2. 一つの級数から導かれる3つのタスク： これら3つの統計的タスクは、この単一の級数に対する初等的な演算として導出される：

   • 推定（Estimation）： パラメータに関する微分（$\partial_\theta$）はスコア関数を与え、多項式最大化推定量へと導く。
   • 検出（Detection）： 2つの仮説間の差分（$\Delta$）は対数尤度比（LLR）を与え、ネイマン・ピアソン検定へと導く。逐次的なバージョンは、この差分を時間とともに合成することで形成される。
   • 分解（Decomposition）： 截断残差のノルムは、再構成誤差を提供する。

3. 統一関数： これらすべてのタスクの質は、単一の関数である捕捉分率関数（captured-fraction functional） $\kappa_m$ によって測定される：
   $$\kappa_m(z; \nu) = \frac{\| \text{proj}_{V_m} \mathring{z} \|_\nu^2}{\| \mathring{z} \|_\nu^2}$$
   ここで、$V_m$ は中心化された基底関数によって張られる部分空間であり、$\mathring{z}$ は対象となる中心化されたオブジェクト（スコア、LLR、または対数密度）である。

   • 推定の場合、$z$ はスコア $S$ であり、読み取られる値は漸近相対効率 $g$ である。
   • 検出の場合、$z$ はLLR $\Lambda$ であり、読み取られる値は捕捉比 $c$ である。
   • 分解の場合、$z$ は対数密度であり、読み取られる値は $R^2$ である。

4. 基底の選択： 本フレームワークは、多項式やエルミート系が平方可積分にならないような重い裾を持つ分布に対処するために、非直交分数基底（例：$\rho_a(x) = \text{sgn}(x)|x|^a$）を利用する。

主要な貢献

• 構造的統一 (C1)： 本論文は、推定、検出、および分解が別々の手法ではなく、一つの対象を三つの方法で読み取ったものであることを示している。それらの質は、異なるオブジェクトに適用された同一の関数 $\kappa_m$ によって支配されている。決定的なのは、これら3つの読み取り値は一般に異なる数値（例：ラプラス分布において $g$ と $c$ は異なる速度で上昇する）であるが、基底が十分統計量を捉える場合に限り、同時に値1に到達する（定理1）。
• 基底の切り替えによる完備性 (C2)： 重い裾（裾指数 $\alpha$）の下で、指数が $(0, \alpha/2)$ に集積する非直交分数系は $L^2(\nu)$ において稠密であるという完備性定理（定理3）は、主要な理論的貢献である。これにより、古典的な多項式系が失う $L^2$ 閉包性が回復され、エルミート展開が発散する領域においても、捕捉分率が1に近づくことが可能となる。
• 動作特性 (C3)： 捕捉分率は、推定および検出の両方における動作特性として特定される。
  • 推定： $g$ は、最大尤度推定量に対する漸近相対効率（ARE）に等しい。
  • 検出： $g$ は、局所漸近パワーおよびピットマン相対有効性を決定する。
    これによって、直交基底では有効性を定義できない重い裾を持つ推論における、統一されたパワーの言明が提供される。
• 局所的な枝間の等価性 (C4)： 仮説間のギャップ $\delta$ が消失する局所極限において、検出の読み取り値 $c(\delta)$ が推定の読み取り値 $g$ に収束することを証明し（命題2）、局所漸近正規性（LAN）の捕捉分率形式を定式化した。
• ガウスアンカーと機械検証 (C5)： ガウス共分散シフトモデルが、2次の射影が正確となる「アンカー」として機能する。本論文は、このアンカーにおいて逐次統計量が正確な尤度比と一致することを検証する、機械チェックされた証明（Lean 4/Mathlib）を提供し、古典的なCUSUM最適性が直接適用されることを保証している。
• 簡約原理 (C7)： 本フレームワークは不変性の系をもたらす：基底の評価を不変にするあらゆる変換は、すべての枝の読み取り値（スコア、LLR、再構成誤差）を変化させない。これにより、単一の級数の因数分解による生成的な帰結として、簡約原理が回収される。

結果
本論文は、15の事前指定されたチェックを含む制御された合成研究を通じて、その理論を検証している：

• 停止性： ガウス型族において、すべての読み取り値（$g, c, R^2$）は、基底に十分統計量（例：分散シフトに対する $x^2$）が含まれるときに正確に1に達する。
• 同時上昇： ラプラス分布において、基底が豊かになるにつれ、オブジェクトに応じて異なる速度で、すべての読み取り値が1に向かって上昇する。
• 局所的等価性： 数値実験により、仮説ギャップ $\delta$ が縮小するにつれて、検出の読み取り値が推定の読み取り値に収束することが確認された。
• 重い裾の優位性： Student-$t_3$ およびコーシー分布において、分数基底は、多項式のグラム行列が発散する領域において、有意なフィッシャー情報量を捕捉する（例：$t_3$ に対して $g \approx 0.96$）。直交基底はこの領域において定義された有効性を提供できない。
• 完備性： 指数が密集するにつれ、捕捉分率は、軽すぎる裾（ラプラス）および重い裾（Student-$t_3$）の両方のターゲットに対して1に近づく。

意義と主張
本論文は、数値的な同一性ではなく、構造的な統一を控えめに主張している。推論の「単一のスカラー」という見方は、特定の終止アンカー（指数型分布族）または局所極限においてのみ有効であると論じている。主な意義は以下の通りである：

1. 理論の統一： 3つの異なる統計的分岐が、単一の関数的尺度によって完備性を共有していることを示すこと。
2. 重い裾への拡張： 非直交分数基底が単に便利なだけでなく、古典的な多項式系が失敗する重い裾を持つ法則において、$L^2$ 完備性を回復し、推論の有効性を定義するために必要であることを示すこと。
3. 運用の明確化： 捕捉分率を漸近相対効率および局所パワーに直接結びつけ、推定、検出、および分解のタスクにわたって基底の「良さ」を評価するための単一の指標を提供すること。

本研究は、3つの読み取り値が一般に同一の数値であるとは主張していないが、それらは構造的に結びついており、基底の強化とともに共に上昇し、特定の条件下（十分性または局所極限）で一致すると主張している。機械チェックされたコア部分はガウスアンカーに限定されており、重い裾および一般基底の結果は、解析的な証明と数値的検証に基づいている。