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

Resumo Técnico: Bootstrap de Alta Dimensão e Expansão Assintótica para a k-ésima Maior Coordenada

1. O Problema

O artigo aborda um desafio fundamental na inferência estatística de alta dimensão: a construção de intervalos de confiança e testes de hipóteses para a k-ésima maior coordenada ($T_{n,[k]}$) de uma soma normalizada de vetores aleatórios independentes.

• Contexto Atual: A teoria de aproximação gaussiana e bootstrap para o máximo ($k=1$) de vetores de alta dimensão está bem estabelecida (ex: trabalhos de Chernozhukov et al., Koike). Recentemente, Koike (2026) desenvolveu expansões de Edgeworth e Cornish-Fisher de segunda ordem para o máximo, permitindo uma precisão de cobertura de ordem $O(n^{-1})$ (até fatores logarítmicos).
• A Lacuna: A literatura para estatísticas de ordem $k > 1$ (a k-ésima maior coordenada) é escassa. As abordagens existentes são predominantemente de primeira ordem (limites de Kolmogorov), o que resulta em erros de cobertura significativos em amostras finitas.
• Dificuldade Técnica: O evento $\{T_{n,[k]} \le t\}$ não é um retângulo (diferente do máximo, que é a interseção de semi-espaços). Sua estrutura local é governada por contagens de excedências (número de coordenadas que ultrapassam um limiar) em vez de uma única fronteira, tornando a extensão direta da teoria de máximos impossível.

2. Metodologia

O autor desenvolve uma abordagem inovadora que combina momentos fatoriais, inclusão-exclusão ponderada e análise de ortantes raros para transferir a teoria de segunda ordem dos máximos para estatísticas de ordem $k$.

• Representação por Contagem de Excedências:
  O evento chave é reescrito como:
  $$\{T_{n,[k]} \le t\} \iff \{N_n(t) \le k-1\}$$
  onde $N_n(t) = \sum_{j=1}^d \mathbb{1}\{S_{n,j} > t\}$ é o número de coordenadas que excedem $t$.

• Identidade de Inclusão-Exclusão Finita:
  Utiliza-se uma identidade combinatória para expressar a probabilidade do evento de contagem em termos de momentos fatoriais:
  $$\mathbb{1}\{N \ge k\} = \sum_{s=k}^{N} (-1)^{s-k} \binom{s-1}{k-1} \binom{N}{s}$$
  Isso reduz o problema ao cálculo de probabilidades de ortantes raros de dimensão $s$ (onde $s$ é pequeno, limitado por $k_0 \approx A \log n$).

• Expansão de Edgeworth Projetada:
  Aplica-se a expansão de Edgeworth de segunda ordem (baseada em kernels de Stein) a cada projeção de dimensão baixa $S_{n,I}$ (onde $I \subset [d]$ e $|I|=s$). A densidade projetada é aproximada por uma densidade gaussiana corrigida por termos de viés e curtose.

• Bootstrap Selvagem (Wild Bootstrap):
  O estudo foca no Bootstrap Selvagem (usando multiplicadores $w_i$) e no Bootstrap Duplo Selvagem (prepivoted).

  • Matching de Terceiro Momento: Mostra-se que escolher multiplicadores com $\mathbb{E}[w^3] = 1$ elimina o termo de distorção linear na expansão de cobertura.
  • Bootstrap Duplo: Utiliza-se um segundo nível de reamostragem para remover o termo de distorção remanescente, alcançando precisão de segunda ordem sem necessidade de matching de momentos.

• Condições de Dependência:
  O artigo considera dois cenários de dependência:

  1. Correlação Máxima Fraca: $\rho_d \log d \to 0$ (condição padrão para máximos).
  2. Mistura Exponencial Estacionária: Substitui a condição de correlação máxima por uma sequência gaussiana estacionária com coeficientes de mistura forte decaindo exponencialmente. Isso permite clusters locais de alta correlação, introduzindo um termo de resto explícito $r_d$.

3. Principais Contribuições e Resultados

• Teorema de Expansão de Cobertura de Segunda Ordem (Teorema 2.1):
  Deriva-se uma expansão assintótica para a probabilidade de cobertura do bootstrap selvagem para $T_{n,[k]}$:
  $$P(T_{n,[k]} \ge \hat{c}_{1-\alpha,k}) = \alpha - (1-\gamma)Q_{n,k}(c^G_{1-\alpha,k}) - \mathbb{E}\{R_{n,k}(\alpha)\} + O(\varepsilon_n^2)$$
  Onde:

  • $\gamma = \mathbb{E}[w^3]$.
  • $Q_{n,k}$ é um termo linear determinístico relacionado às diferenças entre os momentos fatoriais da amostra e da distribuição gaussiana.
  • $R_{n,k}$ é uma correção quadrática (tipo Cornish-Fisher).
  • $\varepsilon_n$ é uma taxa de erro que depende de $n, d$ e momentos.

• Precisão de Segunda Ordem (Corolários 2.1 e 2.2):

  • Se o bootstrap selvagem tiver terceiro momento igual a 1 ($\gamma=1$), o termo linear desaparece, resultando em um erro de cobertura de ordem $O(\varepsilon_n^2)$ (aproximadamente $O(n^{-1})$ até fatores logarítmicos).
  • O Bootstrap Duplo Selvagem (prepivoted) também atinge essa precisão de segunda ordem, mesmo sem matching de momentos, removendo a distorção de primeira ordem via reamostragem aninhada.

• Alternativa de Mistura Exponencial (Teorema 2.3):
  Sob a hipótese de mistura exponencial (Assunção 2.5), a teoria é estendida com um termo de resto adicional $r_d$.

  • O termo $r_d$ isola o efeito de clusters locais de excedências.
  • A condição para que $r_d = O(n^{-1})$ é que a dimensão $d$ cresça suficientemente rápido em relação a $n$ (especificamente $d \gtrsim n^{4/\beta^*}$).

• Resultados de Simulação:
  As simulações compararam Bootstrap Empírico (EB), Gaussiano (GB), Mammen (MB), Rademacher (RB), Beta (BB) e Duplo (DB).

  • MB e BB (que permitem matching de momentos) mostraram-se os mais robustos e estáveis, especialmente em cenários assimétricos.
  • RB (Rademacher) foi preciso em cenários simétricos, mas sofreu grande viés (liberal) em cenários assimétricos.
  • DB (Duplo) frequentemente atingiu o nível nominal mais próximo, embora com um viés liberal persistente em designs assimétricos.

4. Significado e Impacto

• Extensão da Teoria de Segunda Ordem: Este trabalho é pioneiro em estender a teoria de aproximação gaussiana e bootstrap de segunda ordem (Edgeworth/Cornish-Fisher) do caso de máximos ($k=1$) para estatísticas de ordem $k$ genéricas em alta dimensão.
• Viabilidade Prática: Demonstra que é possível obter inferências de alta precisão (erro de cobertura $O(n^{-1})$) para estatísticas de ordem não máximas, o que é crucial para aplicações como controle de taxa de falsas descobertas (FDR) em múltiplos testes, onde se considera o k-ésimo p-valor, ou em análise de risco de cauda.
• Flexibilidade de Dependência: A introdução da alternativa de mistura exponencial permite que a teoria seja aplicada a dados com dependência temporal ou espacial estruturada (clusters de correlação), superando a limitação de correlações globais fracas exigida por teorias anteriores.
• Guia para Prática: Os resultados de simulação fornecem diretrizes práticas sobre qual método de bootstrap utilizar (especialmente a vantagem de métodos que ajustam o terceiro momento ou o uso de bootstrap duplo) dependendo da simetria e estrutura de dependência dos dados.

Em suma, o artigo preenche uma lacuna teórica crítica, fornecendo ferramentas rigorosas para a inferência de alta precisão em estatísticas de ordem superior em dimensões onde $d \gg n$.