Technische Samenvatting: Goodness-of-Fit Tests voor Gecensureerde en Getrunceerde Data

1. Het Probleem (Problem Statement)

In de statistiek (met name in de overlevingsanalyse, epidemiologie en econometrie) is het vaak onmogelijk om de volledige waarde van een variabele van belang ($X$) te observeren. In plaats daarvan is de data vaak gecensureerd (we weten alleen dat een gebeurtenis na een bepaalde tijd plaatsvond) of getrunceerd (de observatie vindt alleen plaats binnen bepaalde grenzen, zoals bij double truncation).

Het klassieke probleem bij het testen van de "goodness-of-fit" (GOF) — de vraag of de data voldoen aan een voorgesteld parametrisch model $F_\theta$ — is dat traditionele methoden vaak vertrouwen op de Nonparametric Maximum Likelihood Estimator (NPMLE). Bij incomplete data leidt dit tot grote problemen:

• Niet-existentie of instabiliteit: De NPMLE bestaat soms niet of is niet uniek.
• Trage convergentie: De schatters convergeren vaak te traag om betrouwbare kritieke waarden te bepalen onder samengestelde nulhypotheses ($H_0: F \in \{F_\theta : \theta \in \Theta\}$).
• Computationele complexiteit: Het herhaaldelijk schatten van de NPMLE (bijv. via bootstrapping) is extreem rekenintensief en theoretisch fragiel.

2. Methodologie (Methodology)

De auteurs introduceren een systematische aanpak die de NPMLE volledig omzeilt. De methodologie rust op twee pijlers:

A. Neyman-Orthogonale Score-processen

In plaats van de geschatte verdeling direct te vergelijken met het model, karakteriseren de auteurs de nulhypothese via een familie van momentbeperkingen (scores). Om de invloed van onbekende "nuisance parameters" (zoals de verdeling van de censurering of truncatie) te elimineren, construeren zij een Neyman-orthogonaal score-proces.
Dit proces is "pathwise differentiable" en zorgt ervoor dat de teststatistiek lokaal ongevoelig is voor fouten in de schatting van de nuisance parameters. Dit maakt het mogelijk om een multiplier bootstrap uit te voeren waarbij de nuisance-schattingen vast blijven staan, wat de berekening enorm versnelt en stabiliseert.

B. RKHS-aggregatie en Maximum Mean Discrepancy (MMD)

Om een "omnibus" test te krijgen (een test die alle soorten afwijkingen van het model detecteert, niet slechts één specifiek type), aggregeren de auteurs de scores over een rijke verzameling testfuncties. Dit gebeurt door gebruik te maken van een Reproducing Kernel Hilbert Space (RKHS).
De resulterende teststatistiek is een supremum over een eenheidbal in de RKHS, wat leidt tot een statistiek van het type Maximum Mean Discrepancy (MMD). Een cruciaal technisch resultaat is dat deze statistiek kan worden geschreven als een eenvoudige kwadratische vorm (V-statistiek) met een geïnduceerde kernel, wat de implementatie zeer efficiënt maakt.

3. Belangrijkste Bijdragen (Key Contributions)

1. Algemeen Framework: Een nieuw, systematisch sjabloon voor GOF-testen bij incomplete data via reguliere functionalen.
2. NPMLE-vrije aanpak: De methode is robuust tegen de theoretische en computationele tekortkomingen van de NPMLE.
3. Eerste Omnibus Test voor Double Truncation: De auteurs leveren, naar hun weten, de eerste omnibus GOF-test voor parametrische families onder random double truncation in het geval van een samengestelde nulhypothese.
4. Efficiënte Berekening: Door de kwadratische vorm-representatie is de test schaalbaar en eenvoudig te implementeren via een multiplier bootstrap.

4. Resultaten (Results)

• Asymptotische Validiteit: De auteurs bewijzen dat de teststatistiek onder de nulhypothese en lokale alternatieven een bekende limietverdeling heeft.
• Simulaties: Monte Carlo-simulaties tonen aan dat de test de verwachte grootte (size control) behoudt en dat de kracht (power) toeneemt naarmate de afwijking van het model groter wordt of de steekproefomvang toeneemt. De kracht neemt af naarmate de truncatie sterker wordt (informatieverlies), wat theoretisch consistent is.
• Empirische Illustratie (Quasar Data): De methode werd toegepast op astronomische data (quasar luminositeit) die onderhevig zijn aan dubbele truncatie. De test kon effectief worden gebruikt om te bepalen of een exponentieel model passend was, waarbij de resultaten consistent waren met eerdere (maar minder geavanceerde) analyses.

5. Betekenis (Significance)

Dit werk is van groot belang voor de toegepaste statistiek omdat het een theoretisch solide en praktisch hanteerbaar alternatief biedt voor complexe datastructuren. Waar eerdere methoden vaak vastliepen op de randen van de ondersteuning of vereisten dat de censurering aan zeer strikte integrabiliteitsvoorwaarden voldeed, biedt deze RKHS-gebaseerde aanpak een robuust instrument dat minder afhankelijk is van de specifieke eigenschappen van de observatiemechanismen. Het opent de deur naar betrouwbare modelvalidatie in velden waar data inherent incompleet zijn.