A New Class of Asymptotically Distribution-Free Smooth Tests

技术摘要：一类新型渐近分布无关的平滑检验方法

问题陈述
本文探讨了构建平滑拟合优度检验（goodness-of-fit tests）所面临的挑战，即如何使这些检验即使在参数被估计且样本量仅为中等规模时，仍能保持渐近分布无关性（asymptotically distribution-free）。传统的平滑检验，如得分检验（Neyman, 1937）和阶选择检验（Ledwina, 1994），依赖于特定检验统计量的渐近分布无关性。然而，这种特性在实践中通常需要极大的样本量才能实现，尤其是在处理复杂分布或涉及计算密集型参数估计时。此外，经典检验中基函数的选择往往是任意的，且其极限分布可能随所测试的特定参数模型而变化，因此需要进行模型特定的模拟（例如参数自助法/parametric bootstrapping）来确定临界值。

方法论
作者提出了一个框架，其视角从“确保特定统计量是分布无关的”转向“通过设计使底层的经验过程本身具有渐近分布无关性”。这通过两个主要的统计方法组件来实现：

1. K2 变换（Khmaladze-2 Transform）：
   核心创新在于将 K2 变换（Khmaladze, 2016）应用于构造平滑检验中所使用的正交基函数。

   • 机制： 该变换利用酉算子（unitary operators），将模型依赖的经验过程投影映射到一个由用户选定的参考分布 $F_\gamma$ 定义的“标准投影”中。
   • 构造： 作者通过一系列算子（乘法算子 $l_{\gamma,\beta}$、反射算子 $K$ 和酉算子 $U_p$）将来自参考空间 $L^2(F_\gamma)$ 的基函数映射，从而定义了一个 K2 正交基 $\{h_{j\beta}\}$，该基属于 $L^2(G_\beta)$。
   • 结果： 这种构造确保了基函数的残差 $\{\tilde{h}_{j\beta}\}$ 在零假设 $G_\beta$ 下的均值和协方差结构，与参考分布 $F_\beta$ 下基函数的残差结构一致。因此，由这些残差索引的经验过程及其任何泛函（包括阶选择和子集选择统计量），在 $G_\beta$ 下的极限分布与其在 $F_\gamma$ 下的极限分布相同。由于 $F_\gamma$ 可以选择为简单的分布（例如标准正态分布或均匀分布），其极限分布便具有了分布无关性。

2. 投影自助法（Projected Bootstrap）：
   为了解决在参数被估计时模拟零分布所带来的计算负担，作者使用了“投影自助法”（Algeri, 2022）。

   • 机制： 该方法并非在每一次自助采样中都重新估计未知的参数 $\beta$（如传统的参数自助法），而是利用了参数估计所诱导的投影结构。
   • 效率： 根据命题 1（Khmaladze, 1980），由估计残差索引的经验过程在渐近意义上等价于由真实残差索引的经验过程。这使得用户只需在观测数据上估计一次参数 $\beta$，然后即可进行零分布模拟，而无需为每个自助样本重新估计 $\beta$，从而显著缩短了计算时间。

主要结果
作者通过理论证明和模拟研究验证了所提方法的有效性：

• 理论有效性： 命题 2 至 5 正式证明了经过 K2 变换的基函数产生的经验过程具有渐近分布无关性，即使在通过 Z-估计量（包括极大似然估计）进行参数估计的情况下也是如此。
• 模拟研究（第 4.2 节）：
  • 作者从一个复杂的混合分布中模拟数据，并将其与三个不同的参数零模型（$G_{\beta,1}, G_{\beta,2}, G_{\beta,3}$）进行检验。
  • 分布无关性： 当使用标准基函数（勒让德多项式与零分布累积分布函数的组合）时，不同模型的检验统计量的零分布表现出显著差异。相比之下，当使用 K2 变换后的基函数时，即使在样本量为 $n=100$ 的情况下，三种模型下的模拟零分布也与参考模型 $F_\gamma$ 下的分布无法区分。
  • 功效（Power）： K2 检验在特定场景下（例如检测 $G_{\beta,2}$ 和 $G_{\beta,3}$ 中的偏差）展现出与经典平滑检验相当或更优的功效，尽管作者指出，功率的提升并不在所有替代假设下都能得到保证。
• 计算效率（第 3.1 节）： 在涉及非对称拉普拉斯分布的模拟中，投影自助法将 CPU 时间减少了约 75%（在 100,000 次重复实验中，从 37 分钟降至 9 分钟），同时准确地恢复了真实的零分布。
• 案例研究（第 5 节）： 该方法被应用于恒星 RT Cru 的 X 射线光谱。K2 变换后的阶选择和子集选择检验证实了描述背景及三条谱线（Fe XXV, Fe XXVI, 和 Fe K$\alpha$）的参数模型的有效性，其 p 值分别为 0.463 和 0.454。QQ 图进一步证实了该实际应用中的分布无关特性。

意义与主张
本文声称提供了一类新的平滑检验，其特点是通过设计实现渐近分布无关，而非仅仅依赖于特定检验统计量的选择。

• 鲁棒性： 即使在参数被估计且样本量适中时，分布无关性依然得以保持，解决了经典平滑检验的一个已知局限。
• 通用性： 该方法允许应用科学家使用单一的标准极限分布（源自简单的参考模型）来测试各种复杂的参数模型，消除了为每个新模型进行特定渐近推导或进行高昂计算成本的重采样过程的需求。
• 计算优势： 引入投影自助法为传统的参数自助法提供了一个高效的替代方案，使得该程序在参数估计耗时较长的复杂模型中也具备可行性。

作者总结道，该框架将 K2 变换的应用范围从拟合优度检验扩展到了平滑检验领域，在通用的拟合优度检验与定向 Neyman-Pearson 检验之间提供了一个折中方案。作者承认，虽然目前的工作侧重于一元设置，但该框架可以推广到多元模型和回归语境中。