这是一份关于论文《FIRST VERSUS FULL OR FIRST VERSUS LAST: U-STATISTIC CHANGE-POINT TESTS UNDER FIXED AND LOCAL ALTERNATIVES》（第一对全量 vs 第一对最后：固定与局部备择假设下的 U 统计量变点检验）的详细技术总结。
1. 研究问题 (Problem)
在时间序列变点分析（Change-point analysis）中，CUSUM（累积和）检验是检测参数是否发生突变的标准方法。传统的 CUSUM 检验基于样本均值，存在两种等价的统计量构造形式：
First-vs-Full (FvsF) : 比较前 k k k θ ^ 1 : k \hat{\theta}_{1:k} θ ^ 1 : k θ ^ 1 : n \hat{\theta}_{1:n} θ ^ 1 : n First-vs-Last (FvsL) : 比较前 k k k θ ^ 1 : k \hat{\theta}_{1:k} θ ^ 1 : k n − k n-k n − k θ ^ ( k + 1 ) : n \hat{\theta}_{(k+1):n} θ ^ ( k + 1 ) : n
当估计量是线性统计量（如样本均值）时，这两种形式是等价的。然而，当估计量是U 统计量 （如 Gini 平均差、Kendall 秩相关系数、样本方差等）时，这两种构造方式通常不再等价 。
核心问题 ：
这两种基于 U 统计量的变点检验方法（FvsF 和 FvsL）在渐近性质上是否相同？
在有限样本下，它们的功效（Power）是否有显著差异？
在什么数据情境下，哪一种方法更优？是否存在一个通用的判别准则？
2. 方法论 (Methodology)
作者针对平稳弱依赖序列（Weakly dependent sequences），在三种不同的假设框架下对两种检验统计量进行了严格的渐近分析：
2.1 统计量定义
设 h h h U k : l U_{k:l} U k : l X k , … , X l X_k, \dots, X_l X k , … , X l
FvsF 统计量 : T 1 ( h ) = max 1 ≤ k ≤ n k n ∣ U 1 : k − U 1 : n ∣ T_1(h) = \max_{1 \le k \le n} \frac{k}{\sqrt{n}} |U_{1:k} - U_{1:n}| T 1 ( h ) = max 1 ≤ k ≤ n n k ∣ U 1 : k − U 1 : n ∣ FvsL 统计量 : T 2 ( h ) = max 1 ≤ k ≤ n k ( n − k ) n 3 / 2 ∣ U 1 : k − U ( k + 1 ) : n ∣ T_2(h) = \max_{1 \le k \le n} \frac{k(n-k)}{n^{3/2}} |U_{1:k} - U_{(k+1):n}| T 2 ( h ) = max 1 ≤ k ≤ n n 3/2 k ( n − k ) ∣ U 1 : k − U ( k + 1 ) : n ∣
2.2 渐近分析框架
零假设 (H 0 H_0 H 0 : 数据分布 F F F 局部备择假设 (Local Alternatives) : 分布从 F F F G n G_n G n n n n 1 / n 1/\sqrt{n} 1/ n 固定备择假设 (Fixed Alternatives) : 分布从 F F F G G G n n n n → ∞ n \to \infty n → ∞ Ψ 1 ( t ) \Psi_1(t) Ψ 1 ( t ) Ψ 2 ( t ) \Psi_2(t) Ψ 2 ( t )
2.3 关键理论工具
Hoeffding 分解 : 将 U 统计量分解为线性部分（一阶项）和退化部分（二阶项）。偏心率 (Eccentricity, ρ F G \rho_{FG} ρ F G : 定义混合参数 θ F G = E [ h ( X , Y ′ ) ] \theta_{FG} = E[h(X, Y')] θ F G = E [ h ( X , Y ′ )] ( θ F + θ G ) / 2 (\theta_F + \theta_G)/2 ( θ F + θ G ) /2 ρ F G = θ F G − θ F + θ G 2 \rho_{FG} = \theta_{FG} - \frac{\theta_F + \theta_G}{2} ρ F G = θ F G − 2 θ F + θ G X , X ′ ∼ F X, X' \sim F X , X ′ ∼ F Y , Y ′ ∼ G Y, Y' \sim G Y , Y ′ ∼ G
3. 主要贡献与结果 (Key Contributions & Results)
3.1 渐近等价性 (Asymptotic Equivalence)
结论 : 在零假设和局部备择假设下，FvsF 和 FvsL 检验是渐近等价 的。意义 : 在大样本情况下，两者的功效差异可以忽略不计，临界值相同。这解释了为什么在以往的大样本文献中，两种方法常被混用。
3.2 固定备择假设下的功效差异 (Power Differences under Fixed Alternatives)
这是本文最核心的发现。在固定备择假设下，两种统计量收敛到不同的极限函数，导致有限样本下的功效不同。
判别准则 : 检验的功效优劣取决于偏心率 ρ F G \rho_{FG} ρ F G 与 参数变化方向 ( θ G − θ F ) (\theta_G - \theta_F) ( θ G − θ F ) 的符号关系：
若 sign ( ρ F G ) = sign ( θ G − θ F ) \text{sign}(\rho_{FG}) = \text{sign}(\theta_G - \theta_F) sign ( ρ F G ) = sign ( θ G − θ F ) FvsF (First-vs-Full) 更优。
若 sign ( ρ F G ) ≠ sign ( θ G − θ F ) \text{sign}(\rho_{FG}) \neq \text{sign}(\theta_G - \theta_F) sign ( ρ F G ) = sign ( θ G − θ F ) FvsL (First-vs-Last) 更优。
若 ρ F G = 0 \rho_{FG} = 0 ρ F G = 0
3.3 具体案例研究
作者详细分析了四种常见的 U 统计量：
Gini 平均差 (Gini's Mean Difference, GMD) :
核函数 h ( x , y ) = ∣ x − y ∣ h(x,y) = |x-y| h ( x , y ) = ∣ x − y ∣
性质 : 对于任何分布，ρ F G ≥ 0 \rho_{FG} \ge 0 ρ F G ≥ 0 结论 :
若方差/尺度增加 (θ G > θ F \theta_G > \theta_F θ G > θ F ρ F G > 0 \rho_{FG} > 0 ρ F G > 0 → \to → FvsF 更优 。
若方差/尺度减小 (θ G < θ F \theta_G < \theta_F θ G < θ F ρ F G > 0 \rho_{FG} > 0 ρ F G > 0 → \to → FvsL 更优 。
应用 : 检测尺度变化时，方向至关重要。
样本方差 (Sample Variance) :
核函数 h ( x , y ) = ( x − y ) 2 / 2 h(x,y) = (x-y)^2/2 h ( x , y ) = ( x − y ) 2 /2
性质 : ρ F G = 1 2 ( μ F − μ G ) 2 ≥ 0 \rho_{FG} = \frac{1}{2}(\mu_F - \mu_G)^2 \ge 0 ρ F G = 2 1 ( μ F − μ G ) 2 ≥ 0 结论 :
若均值不变 (μ F = μ G \mu_F = \mu_G μ F = μ G ρ F G = 0 \rho_{FG}=0 ρ F G = 0
若均值改变 ，则 ρ F G > 0 \rho_{FG} > 0 ρ F G > 0
启示 : 即使使用方差检测尺度变化，如果均值也发生了漂移，两种方法的表现会有显著差异。
Kendall's Tau :
核函数涉及秩。
性质 : ρ F G \rho_{FG} ρ F G 结论 : 功效优劣不仅取决于相关系数的增减，还取决于具体的分布结构（如对称性）。例如，在双变量正态分布中，若相关性符号改变（如从正相关变为负相关），可能导致 ρ F G = 0 \rho_{FG}=0 ρ F G = 0 ρ F G \rho_{FG} ρ F G
3.4 变点位置估计的一致性
文章还讨论了变点位置估计量 τ ^ = arg max ∣ T n ( k ) ∣ \hat{\tau} = \arg\max |T_n(k)| τ ^ = arg max ∣ T n ( k ) ∣
在大多数实际情况下，两种方法都能一致地估计变点位置。
但在某些特定的固定备择假设下（当 ρ F G \rho_{FG} ρ F G
4. 数值模拟与实证分析 (Simulations & Data Examples)
模拟结果 :
在大样本（如 n = 4000 n=4000 n = 4000
在小样本（如 n = 63 n=63 n = 63
模拟结果完全符合理论预测：例如在 GMD 检测方差减小的场景中，FvsL 的功效显著高于 FvsF。
实证数据 (科罗拉多河流量) :
数据：Lees Ferry (大坝下游) 和 Cameo (大坝上游) 的年径流量。
背景：Glen Canyon 大坝的建设（1956-1964）导致下游流量变异性发生结构性变化。
结果：
对于下游数据（尺度减小），FvsL 检验 给出了显著的 p 值 (0.019)，而 FvsF 检验不显著 (0.076)。这验证了理论中“尺度减小时 FvsL 更优”的结论。
对于上下游相关性（Kendall's tau）的变化，FvsF 表现更好，因为此时相关性绝对值减小且分布特性导致 ρ F G \rho_{FG} ρ F G
5. 意义与结论 (Significance & Conclusion)
纠正误区 : 打破了“FvsF 和 FvsL 总是等价”或“FvsL 总是更优”的固有认知。两者在渐近大样本下等价，但在有限样本下表现截然不同。提供决策准则 : 提出了基于偏心率 ρ F G \rho_{FG} ρ F G 的简单判别准则。研究者无需进行复杂的模拟，只需计算（或估计）θ F , θ G , θ F G \theta_F, \theta_G, \theta_{FG} θ F , θ G , θ F G 实际应用指导 :
对于 Gini 平均差等尺度检验，必须考虑变化的方向（增大还是减小）。
对于样本方差，如果存在均值漂移，必须谨慎选择检验形式。
对于 Kendall's tau 等秩统计量，需根据具体的分布对称性判断。
理论深度 : 论文在弱依赖序列（P-NED 框架）下建立了严格的理论框架，不仅适用于独立数据，也适用于时间序列数据，并给出了具体的证明和条件。
总结 : 该论文通过严谨的渐近理论和数值实验，揭示了 U 统计量变点检验中两种构造方式的本质差异，并给出了一个普适的、基于参数几何性质（偏心率）的选择准则，为统计实践者提供了重要的理论依据和实用指南。