High Dimensional Bootstrap and Asymptotic Expansion for the $k$-th Largest Coordinate

1. Probleemstelling

Het artikel richt zich op de statistische inferentie voor de $k$-de grootste coördinaat van een genormaliseerde som van onafhankelijke, hoog-dimensionale willekeurige vectoren.

• Context: In de moderne statistiek is de benadering van het maximum (de $1$-de grootste coördinaat) van een som van vectoren een fundamenteel instrument, met name via de "Gaussian multiplier bootstrap". Eerdere werken (zoals Chernozhukov et al., 2013, 2017) hebben eerst-orde resultaten gevestigd. Recentere ontwikkelingen (Koike, 2026) hebben tweede-orde asymptotische expansies (Edgeworth en Cornish-Fisher) voor het maximum ontwikkeld, wat leidt tot een nauwkeuriger dekking van betrouwbaarheidsintervallen.
• De Gaping: De bestaande theorie voor het maximum is niet direct toepasbaar op de $k$-de grootste coördinaat ($k > 1$). De reden is dat de gebeurtenis $\{T_{n,[k]} \le t\}$ (waarbij $T_{n,[k]}$ de $k$-de grootste coördinaat is) geen rechthoekige vorm heeft in de hoog-dimensionale ruimte. In tegenstelling tot het maximum, wordt de lokale structuur van deze gebeurtenis bepaald door het aantal overschrijdingen (exceedance counts) en niet door één enkele grens. Bestaande theorieën voor rangorde-statistieken in hoge dimensies zijn beperkt tot eerst-orde benaderingen en bieden geen tweede-orde dekkingsexpansie.

2. Methodologie

De auteur ontwikkelt een nieuwe aanpak die de complexiteit van de rangorde-statistiek reduceert tot een verzameling van zeldzame orthant-kansen (rare-orthant probabilities). De kern van de methodologie omvat:

• Factoriële Momenten en Inclusie-Uitsluiting: De gebeurtenis $\{T_{n,[k]} \le t\}$ wordt exact weergegeven via het aantal overschrijdingen $N_n(t) = \sum_{j=1}^d \mathbb{1}\{S_{n,j} > t\}$. Met behulp van een gewogen inclusie-uitsluiting (weighted inclusion-exclusion) wordt de verdeling van de $k$-de grootste coördinaat uitgedrukt in termen van de factoriële momenten van $N_n(t)$.
• Lokale Zeldzame Orthant-Analyse: Het probleem wordt gereduceerd tot het analyseren van kansen dat een subset van coördinaten gelijktijdig een drempel $t$ overschrijdt. De auteur past de projectie-technieken van Koike (2026) toe op deze subsets. Hierdoor kunnen bestaande tweede-orde Edgeworth-expansies voor multivariate sommen worden overgebracht naar de context van rangorde-statistieken.
• Wild Bootstrap Variaties:
  • Enkele Wild Bootstrap: Gebruik van multipliers $w_i$. De dekking wordt geanalyseerd via een expansie die afhangt van de derde moment van de multiplier ($\gamma = E[w_1^3]$).
  • Dubbele Wild Bootstrap (Prepivoting): Een tweede niveau van resampling wordt gebruikt om de eerste-orde vertekening te elimineren.
• Afhankelijkheidsstructuren: Naast de standaard "maximale correlatie" voorwaarde, introduceert de auteur een alternatief gebaseerd op een stationaire Gaussische sequentie met exponentiële sterk-mixing. Dit maakt het mogelijk om lokale clusters van sterk gecorreleerde coördinaten te modelleren, wat realistischer is voor bepaalde tijdreeks- of ruimtelijke data.

3. Belangrijkste Bijdragen en Resultaten

A. Tweede-orde Dekkingsexpansie

De paper levert een tweede-orde expansie voor de dekkingssandelen van de wild bootstrap voor de $k$-de grootste coördinaat.

• Theorema 2.1: Toont aan dat de dekkingssandelen kan worden geschreven als:
  $$P(T_{n,[k]} \ge \hat{c}_{1-\alpha,k}) = \alpha - (1-\gamma)Q_{n,k}(c^G_{1-\alpha,k}) - E\{R_{n,k}(\alpha)\} + O(\varepsilon_n^2)$$
  Waarbij $Q_{n,k}$ een deterministische lineaire term is die afhangt van de afwijking van de derde moment van de multiplier van 1, en $R_{n,k}$ een kwadratische Cornish-Fisher correctie is.
• Derde-moment Matching (Corollary 2.1): Als de multiplier $w_i$ zo wordt gekozen dat de derde moment $\gamma = 1$ (bijv. een specifieke Beta-verdeling of een aangepaste verdeling), dan verdwijnt de eerste-orde foutterm. De dekkingssandelen wordt dan van orde $O(\varepsilon_n^2)$ (waarbij $\varepsilon_n \sim \sqrt{\log(dn)/n}$), zelfs zonder studentisatie.
• Dubbele Wild Bootstrap (Theorema 2.2): Zelfs als de derde moment niet exact wordt gematched, bereikt een prepivoted double wild bootstrap dezelfde tweede-orde nauwkeurigheid ($O(\varepsilon_n^2)$) door de eerste-orde vertekening te elimineren via een tweede resampling-stap.

B. Alternatieve Afhankelijkheidsvoorwaarde

• Theorema 2.3: De auteur vervangt de restrictieve maximale-correlatievoorwaarde door een exponentiële sterk-mixing aanname voor een stationaire Gaussische referentieveld.
• Restterm $r_d$: Deze aanname introduceert een expliciete restterm $r_d$ die de invloed van lokale clusters van overschrijdingen kwantificeert. De paper toont aan dat als de dimensie $d$ snel genoeg groeit ten opzichte van de steekproefgrootte $n$ (bijv. $d \ge C n \log n$), deze restterm ook van orde $O(n^{-1})$ kan zijn.

C. Simulatie Resultaten

De simulaties (Sectie 3) vergelijken verschillende bootstrap-methoden (Empirisch, Gaussisch, Mammen, Rademacher, Beta, Dubbel) voor $k \in \{2, 5, 10\}$.

• Asymmetrie: De empirische grootte (size) van de testen is gevoelig voor asymmetrie in de data.
• Robuustheid: De Mammen wild bootstrap en de Beta wild bootstrap (die beide de derde moment matchen) tonen de meest stabiele prestaties over verschillende ontwerpen en waarden van $k$.
• Rademacher: De Rademacher bootstrap (waarbij $w_i \in \{-1, 1\}$) is zeer nauwkeurig bij symmetrische data, maar faalt ernstig (te liberale testen) bij asymmetrische data.
• Dubbele Bootstrap: De dubbele wild bootstrap is vaak het dichtst bij het nominale niveau, maar vertoont soms een persistente liberale bias.

4. Significatie en Conclusie

Dit artikel is een significante doorbraak in de hoog-dimensionale statistiek omdat het de tweede-orde theorie, die eerder beperkt was tot het maximum van vectoren, uitbreidt naar alle $k$-de rangorde-statistieken.

• Theoretische Impact: Het bewijst dat complexe gebeurtenissen zoals "de $k$-de grootste waarde" benaderd kunnen worden met dezelfde hoge nauwkeurigheid als het maximum, mits de juiste combinatorische en analytische technieken (factoriële momenten, gewogen inclusie-uitsluiting) worden gebruikt.
• Praktische Toepassing: Het biedt statistici een theoretisch onderbouwd kader voor het construeren van nauwkeurige betrouwbaarheidsintervallen en hypothesetoetsen voor extremen en top-$k$ waarden in grote datasets (bijv. in genetica, financieel risico, of klimaatwetenschap), waar de dimensie $d$ vaak groter is dan de steekproefgrootte $n$.
• Robuustheid: De resultaten onderstrepen het belang van het matchen van de derde moment bij wild bootstrap-methoden of het gebruik van prepivoting om eerste-orde fouten te elimineren, vooral in de aanwezigheid van asymmetrie.

Samenvattend vult dit werk een cruciale lacune in de literatuur op door een rigoureuze tweede-orde asymptotische theorie te leveren voor de $k$-de grootste coördinaat, wat de nauwkeurigheid van inferentie in hoge dimensies aanzienlijk verbetert.