技术摘要：Wasserstein 投影检验：高阶渐近性质及其与经验似然法的联系

1. 问题表述

本文研究了针对矩约束（moment restrictions）的假设检验的构建与分析。给定由独立同分布（i.i.d.）观测值 $X_1, \dots, X_n$ 导出的经验分布 $Q_n$，以及由矩函数 $h: \mathbb{R}^{d_X} \to \mathbb{R}^{d_h}$ 定义的零假设模型 $\mathcal{P}_0 = \{P : E_P[h(X)] = 0\}$，目标是检验 $H_0: P_\star \in \mathcal{P}_0$ 对比 $H_1: P_\star \notin \mathcal{P}_0$。

作者重点研究了 Wasserstein 投影 (Wasserstein Projection, WP) 检验。与通过重赋权观测原子来将经验律投影到 $\mathcal{P}_0$ 的经验似然法 (Empirical Likelihood, EL) 不同，WP 通过在样本空间内进行质量输运来实现这种投影。检验统计量定义为使经验分布与零矩约束对齐所需的最小输运成本：
$$R_n(h) = \inf_{P \in \mathcal{P}_0} W_c(Q_n, P)$$
其中 $W_c$ 是具有平方马哈拉诺比斯（Mahalanobis）基底代价 $c(\bar{x}, x) = \|\bar{x} - x\|_\Sigma^2$ 的最优输运成本。对于较大的缩放统计量 $n R_n(h)$，拒绝原假设 $H_0$。

虽然现有理论已经确立了在原假设下 $n R_n(h)$ 收敛于二次型（从而提供了一阶渐近有效的检验），但该一阶极限无法：

1. 量化有限样本量带来的失真（覆盖误差）。
2. 在共享相同极限局部功效函数的情况下（特别是在标量矩情形 $d_h=1$ 时），区分 WP 与竞争方法（EL 和 Hotelling's $T^2$）的功效差异。

2. 方法论

本文开发了一种 高阶渐近分析 来解决这些差距。该方法论依赖于在原假设和 Pitman 型局部备择假设下推导 WP 统计量的随机展开。

关键技术步骤：

• 对偶表示 (Dual Representation)： 作者利用投影距离的精确缩放对偶表示。统计量被表示为一个关于对偶变量 $\zeta$ 的上确界：
  $$n R_n(h) = \sup_{\zeta \in \mathbb{R}^{d_h}} \left\{ -\zeta^\top H_n - M_n(\zeta) \right\}$$
  其中 $H_n$ 是缩放后的经验矩，$M_n(\zeta)$ 是一个涉及基底代价和矩函数的凸函数。
• 随机展开 (Stochastic Expansion)： 通过在原点附近对 $M_n(\zeta)$ 进行泰勒级数展开，并利用经验量（雅可比矩阵、黑塞矩阵和矩包络）的高概率界限来控制余项，作者推导出了统计量关于 $n^{-1/2}$ 次方的展开式。
• Edgeworth 理论： 该展开式被转化为统计量分布的 Edgeworth 展开。这使得量化规模误差（与标称置信水平的偏差）和局部功效修正成为可能。
• Bartlett 型修正： 通过将展开式扩展到 $n^{-1}$ 阶，作者识别了领先的校准误差，并构造了 Bartlett 型修正以提高覆盖准确性。
• 认证计算 (Certified Computation)： 考虑到投影往往缺乏闭式解，论文开发了一种“认证局部对偶算法”。该算法将检验决策重新表述为一个分布鲁棒优化 (DRO) 问题，将对偶变量局部化到一个强凸/强凹性成立的紧凑框内，并提供对数值误差的严格界限，以确保检验决策在统计上是有效的。

3. 核心贡献与结果

A. 高阶渐近展开

论文推导了原假设和局部备择假设下 $n R_n(h)$ 的随机展开：
$$n R_n(h) = \langle V_n, \xi_n^{\otimes 2} \rangle + \frac{1}{\sqrt{n}} \langle K_n, \xi_n^{\otimes 3} \rangle + \varepsilon_n$$
其中 $V_n$ 和 $K_n$ 是由 $h$ 的雅可比矩阵和黑塞矩阵导出的经验张量，$\xi_n$ 是缩放后的经验方向。余项 $\varepsilon_n$ 以高概率一致有界。

B. 规模与功效的影响

• 规模准确性： 所得的 Edgeworth 理论表明，插件式 (plug-in) WP 检验的规模误差为 $\tilde{O}(n^{-1})$。这相对于一阶近似典型的 $O(n^{-1/2})$ 误差是一个显著的改进。
• 局部功效： 在局部备择假设下，论文识别出了一个显式的 $n^{-1/2}$ 阶局部功效修正。
• 与 EL 和 $T^2$ 的比较： 对于标量矩 ($d_h=1$) 且处于局部位置偏移的情形，WP、EL 和 Hotelling's $T^2$ 具有相同的一阶局部功效。然而，它们的 二阶排名 不同：
  • WP： 其功效修正受 基于导数的曲率 系数控制（涉及 $h$ 的黑塞矩阵）。
  • EL： 其功效修正受 基于值的偏斜 系数控制（涉及 $h$ 的三阶矩）。
  • $T^2$： 在此特定比较机制中，其二阶修正为零。
    论文证明，当矩函数表现出优于其基于值的偏斜的导数曲率时，WP 可以优于 EL 和 $T^2$。

C. Bartlett 型修正

作者将展开式扩展到 $n^{-1}$ 阶，以构造两种用于标量矩约束的 Bartlett 型修正。这些修正消除了领先的 $O(n^{-1})$ 校准误差，将置信区域的覆盖准确性提高到 $\tilde{O}(n^{-3/2})$。

D. 认证计算

论文提出了 算法 1，这是一个嵌套优化方案，它：

1. 将对偶搜索空间局部化到一个紧凑框内，使内部问题满足强凸性。
2. 使用三等分法 (trisection) 和投影梯度上升法来求解问题。
3. 提供 认证决策：该算法控制数值误差，使得由于计算不准确导致的“错误拒绝”或“错误接受”的概率可以忽略不计。
4. 实现 $\tilde{O}(n)$ 的总计算复杂度，在概率上匹配了 Oracle 检验的统计保证，精度达到 $\tilde{O}(n^{-1})$。

4. 重要性与主张

论文声称，其高阶分析对于理解最优输运的几何特性（特别是基底度量和矩函数的局部变化）何时能提供比基于重赋权的 EL 等方法更优的有限样本优势至关重要。

• 理论洞察： 该工作阐明了 WP 的“输运几何”不仅是一个计算工具，也是一个统计特征，它通过基于导数的曲率影响功效。这使 WP 区别于依赖于基于值的矩的 EL。
• 实际效用： 推导出的 Bartlett 修正和认证算法使得在缺乏闭式解的情形下（例如非线性公平性约束），进行更准确的有限样本推断和可靠检验成为可能。
• 应用背景： 作者通过一个 公平性测试 (fairness testing) 实验展示了这些发现。在此设置中，矩约束编码了机会平等或赔率相等。实验证实了理论预测：在公平性约束的导数曲率相对于其值偏斜较为有利的机制下，使用各向异性输运度量的 WP 可以获得比 EL 或 $T^2$ 更高的功效。

论文得出结论，虽然 WP、EL 和 $T^2$ 在一阶意义上是渐近等价的，但高阶分析揭示了由矩函数的几何结构与数据分布之间的相互作用所驱动的截然不同的有限样本行为。所提出的认证算法确保了这些理论收益在实践中是可以实现的，且不会损害统计有效性。