Projection Diagnostics for Directional Asymmetry and Tail-Ratio Departure in Multivariate Data

技术摘要：用于多元数据方向性不对称与尾部比例偏离的投影诊断法

问题陈述
现有的多元非正态性评估方法，如 Mardia 基于矩的偏度与峰度，或综合检验（如 Henze–Zirkler、Doornik–Hansen、能量距离），面临两个主要局限。首先，这些方法往往会将不同来源的非高斯性混为一谈；拒绝正态性假设并不能区分这种偏离是由方向性不对称（偏度）驱动、尾部膨胀（重尾）驱动，还是由两者共同驱动。其次，基于矩的方法依赖于三阶和四阶矩，而在重尾设定下，这些矩可能是不稳定甚至不存在的，且在有限样本的高维效应下具有敏感性。此外，虽然像 Malkovich–Afifi 这样的投影竞争方法解决了方向性问题，但它们仍属于基于矩的方法，且计算量巨大。作者提出需要一种基于分位数测度的稳健诊断框架，通过分离方向性偏度和尾部比例偏离，来指导后续的模型选择（例如，在对称、偏斜、尾部偏离或组合模型之间进行选择）。

方法论
所提出的程序将多元诊断问题简化为一系列一维投影。设 $X_1, \dots, X_n$ 为 $p$ 维观测值。该方法作用于中心化投影 $Y_i(u) = u^\top(X_i - \hat{\theta})$，其中 $u$ 取自单位球面 $S^{p-1}$ 上的方向集 $U_m = \{u_1, \dots, u_m\}$。该方向集结合了随机方向（均匀采样）和坐标方向，以确保广泛的覆盖范围以及对稀疏或边缘偏离的敏感性。

计算两类基于分位数的汇总统计量：

1. 方向性偏度 ($\hat{S}U_{m, A_S}$)：一种在有限分位数水平集 $A_S \subset (0, 0.5)$ 上评估不对称性的度量。作者利用了 Bowley 型统计量和广义分位数偏度：
   $$\hat{\gamma}_a(u) = \frac{\hat{Q}_{1-a}(u) + \hat{Q}_a(u) - 2\hat{Q}_{0.50}(u)}{\hat{Q}_{1-a}(u) - \hat{Q}_a(u)}$$
   汇总统计量为所有方向和分位数水平中的绝对值最大值：$\hat{S}U_{m, A_S} = \max_{u \in U_m} \max_{a \in A_S} |\hat{\gamma}_a(u)|$。

2. 方向性尾部比例 ($\hat{T}U_m$)：相对于基准（如高斯分布）的尾部厚度度量。它比较外层中心区间与四分位距的宽度：
   $$\hat{\tau}_q(u) = \frac{\hat{Q}_{1-q}(u) - \hat{Q}_q(u)}{\hat{Q}_{0.75}(u) - \hat{Q}_{0.25}(u)}$$
   汇总统计量为相对于参考值 $\tau^0_q$ 的最大偏差：$\hat{T}U_m = \max_{u \in U_m} |\hat{\tau}_q(u) - \tau^0_q|$。

校准与分类
为了考虑维度和搜索方向的数量，通过参考模型（通常为高斯分布，但也讨论了椭圆校准）进行模拟来校准原始统计量。这产生了偏度（$p_S$）和尾部偏离（$p_T$）的 $p$ 值。这两个维度定义了一个四象限分类：

• 对称基准-尾部：无显著偏度和尾部偏离。
• 对称尾部偏离：有显著尾部偏离但无偏度。
• 偏斜基准-尾部：有显著偏度但无尾部偏离。
• 偏斜尾部偏离：同时具有显著偏度和尾部偏离。

理论结果
本文确立了以下理论性质：

• 总体分离性：在中心对称条件下，方向性偏度在所有方向上均消失。在椭圆性条件下，无标度的尾部比例在所有非退化方向上是常数。
• 可检测性：定理证明，有限数量的随机方向可以检测局部偏离，如果该信号在球面邻域内持续存在，其检测概率受投影数量和球面帽质量的控制。
• 有限样本控制：为搜索方向上的经验分位数诊断推导了一致界限，表明其收敛速率为 $\sqrt{\log(m)/n}$。至关重要的是，这些界限不需要三阶或四阶矩的存在。
• 一致性：证明了基于两个汇总统计量的阈值分类器在分离象限下（即总体统计量远离零时）是一致的。
• 稀疏备选情形：通过秩一分析说明，虽然随机方向提供了广泛覆盖，但在处理稀疏信号时效率较低。增加坐标方向确保了对稀疏、坐标对齐偏离的敏感性。

模拟结果
蒙特卡洛实验在高斯、Student-$t$、偏正态（skew-normal）、偏-$t$（skew-$t$）和污染正态分布下评估了该方法。

• 分离能力：偏度成分能正确拒绝偏正态和偏-$t$ 模型，同时对对称模型（包括重尾 Student-$t$ 和污染正态）保持名义规模。相反，尾部成分能拒绝 Student-$t$、偏-$t$ 和污染正态，而对高斯和偏正态数据保持稳定。
• 维度影响：在稠密偏度设定下，由于难以将随机投影与信号对齐，在高维小样本情况下功效会下降。然而，引入坐标方向显著提高了针对稀疏偏度的功效。
• 对比：所提方法的拒绝行为与标准综合检验（Mardia、Henze–Zler 等）相当，但通过分解非正态性的来源，提供了更优的可解释性。此外，它也比投影追求型峰度检验在计算上更高效。

实际数据应用
该方法应用于来自印度五个城市的五种空气污染物（10 种污染物）的多变量空气质量数据。

• 发现：全样本分析将所有城市归类为“偏斜尾部偏离”，这表明需要使用偏斜重尾模型（如 skew-$t$）。
• 时间动态：子时期分析揭示了一种转变。对于某些城市（孟买、加尔各答、班加罗尔），2020 年前的数据被归类为“偏斜基准”（不对称但不具重尾性），而 2020 年后，所有城市均转向“偏斜尾部偏离”。这凸显了该诊断工具在引导特定建模选择（例如，是否需要重尾特性）方面的能力，而传统的综合检验可能会忽略这一点。

意义与主张
作者将这项工作定位为并非在原始拒绝功效上对现有检验实现统一的超越，而是一种稳健、可解释的诊断分解。其核心贡献是将多元非高斯性分解为两个截然不同的、可解释的成分：方向性不对称与尾部比例偏离。通过利用基于分位数的泛函，该方法避免了重尾设定下高阶矩的不稳定性。该框架旨在作为一种筛选工具，为后续参数模型的选择提供信息（对称 vs 偏斜，轻尾 vs 重尾），填补了仅能拒绝原假设而不表征偏离性质的综合检验测试留下的空白。论文最后指出，其局限性在于时间依赖性，以及未来涉及数据自适应方向（PCA/ICA）和函数型数据的扩展潜力。