技术摘要：框置信深度 (Box Confidence Depth)

1. 问题陈述

本文探讨了在构建复杂统计模型参数的校准置信区域时面临的挑战，特别是在似然函数在计算上难以处理或计算成本极高的情况下。这种情况在生成模型以及数据量有限、导致传统渐近近似失效的情景中十分常见。

现有的无似然推断 (LFI) 方法（如近似贝叶斯计算，ABC）通常依赖于距离度量或散度函数来比较观测数据与模拟数据。由于“维度诅咒”的存在，这些方法在高维设置下面临显著困难，因为模拟数据落在观测数据固定半径容差范围内的概率会呈超指数级衰减。此外，标准的频率学方法通常需要将多元数据简化为标量汇总统计量，这可能会造成信息丢失，或者依赖于在复杂、非正则设置下可能并不成立的随机排序假设。

2. 方法论：框置信深度 (Box-CD)

作者提出了一种名为框置信深度 (Box-CD) 的新型基于模拟的推断方法。该方法无需要求似候函数或标量汇总统计量，而是直接作用于多元数据或统计量，从而构建置信区域。

核心机制

该方法利用基于数据深度 (data depth) 和超矩形 (hyper-rectangles，即“框”) 概念的拒绝采样框架：

1. 提议生成： 从提议分布 $\pi(\theta)$（通常是在参数空间有界子集上的均匀分布）中抽取一个参数值 $\theta^*$。
2. 模拟： 对于每个 $\theta^*$，从模型 $p(y|\theta^*)$ 中生成两个独立的伪样本 $y^*_1$ 和 $y^*_2$。
3. 统计量计算： 从这些伪样本中计算汇总统计量 $t^*_1$ 和 $t^*_2$。
4. 构框： 根据 $t^*_1$ 和 $t^*_2$ 在每个坐标轴上的顺序统计量，定义一个 $d$ 维超矩形（框），记作 $B^*_t$。具体而言，对于第 $j$ 个维度，区间为 $[\min(t^*_{1,j}, t^*_{2,j}), \max(t^*_{1,j}, t^*_{2,j})]$。
5. 接受规则： 如果观测到的汇总统计量 $t_{obs}$ 严格落在该超矩形内（即对于所有 $j=1, \dots, d$，满足 $t^*_{(1),j} < t_{obs, j} < t^*_{(2),j}$），则接受该提议 $\theta^*$。

框置信深度函数

被接受的参数集合构成了一个被称为框置信深度 $CD_{box}(\theta)$ 的经验分布。该函数为每个参数值分配一个“深度”或中心性度量。数值越高，表示该参数越趋于中心或更具代表性，因为它能频繁生成包含观测值的“框”。

理论性质

• 标量情形： 对于标量参数，接受概率与 $F_t(t_{obs}|\theta)[1 - F_t(t_{obs}|\theta)]$ 成正比，其中 $F_t$ 是汇总统计量的累积分布函数。该函数的极大值点提供了中位数无偏估计量。
• 多元情形： 该方法可以自然地扩展到多元参数和统计量。与 ABC 不同，它不需要满足辨识性公理（identity of indiscernibles）的距离度量。相反，它依赖于由观测数据落在随机框内的概率所诱导的“由中心向外”的排序。
• 置信集： 置信水平为 $1-\alpha$ 的置信集定义为满足 $CD_{box}(\theta) \geq Q_{CD_{box}}(\alpha)$ 的区域，其中 $Q$ 是分位数函数。定理 3.5 确立了这些区域具有精确的校准特性。
• 效率： 在单调似然比 (MLR) 条件下，Box-CD 测试被证明至少与似然比检验 (LRT) 一样强（powerful），并且在聚合相关多元统计量的信息时，具有更强的统计效能。

高维自适应

为了缓解维度诅咒，作者提出了使用 $S$ 个伪样本（其中 $S$ 为偶数）而非仅两个样本的扩展方案。框的边界由这 $S$ 个样本中的最小和最大顺序统计量定义。虽然每次迭代的计算成本有所增加，但接受概率的衰减速度（$\propto (1/4)^d$）比固定半径 ABC 球体的超指数级衰减要慢，从而允许在更高维度下进行更高效的估计。

3. 主要结果

作者通过各种模型的模拟研究验证了该方法，将 Box-CD 置信集的经验覆盖率与名义水平以及（在可用情况下）似然比 (LR) 检验进行了对比。

• 逻辑回归： 该方法实现的覆盖率比 LR 检验更接近名义值（如 0.95），且计算速度显著更快（10,000 次重复实验仅需 1.80 秒）。
• 多元 t-分布： 该方法成功地为具有相关统计量的多元参数维持了名义覆盖率，这在标准降维方法可能失效的情景下表现尤为突出。
• 正态混合模型： 研究表明，增加伪样本数量 ($S$) 可以提高 Box-CD 函数的稳定性并增加被接受的提议数量，从而有效地抵消了随统计量维度增加而带来的效率损失。在该模型中，Box-CD 区间明显短于 LR 区间，同时保持了覆盖率。
• Ricker 模型： 应用于具有不可处理似然函数的种群动态模型，该方法为一元和二元参数设置都生成了符合性（conformal）置信区域。

4. 重要性与主张

本文声称 Box-置信深度提供了一种统一的推断策略，其特点是：

1. 消除了标量简化的需求： 它允许直接使用原始数据或多元汇总统计量，而无需将其强制压缩为单一标量，从而保留了信息。
2. 无需似然函数即可运行： 它适用于似然函数未知或难以处理的无似然推断场景。
3. 提供校准的频率学推断： 与某些基于模拟的贝叶斯近似不同，它构建的置信集在特定正则条件下具有保证的覆盖性质。
4. 处理多元排序： 它通过基于超矩形的深度函数解决了多元空间的排序问题，避免了单纯形深度（simplicial depth）或半空间深度（half-space depth）的计算复杂性。
5. 鲁棒性： 研究表明，该方法对于汇总统计量的保序变换具有不变性。

作者将该方法定位为一种实用的替代方案，适用于研究人员面临复杂模型（其中传统渐近理论失效，且现有无似然方法在处理高维数据或需要任意距离阈值时表现不佳）的情况。