Assumption-Lean Inference for Spectral Differential Network Analysis of High-Dimensional Time Series

技术摘要：高维时间序列谱微分网络分析的轻假设推断

1. 问题陈述

本文解决了对高维多元时间序列的**微分网络（differential network）**进行统计推断的挑战。在许多科学领域（特别是神经科学）中，目标是理解变量之间的依赖结构如何随不同条件（例如静息态与刺激态）而变化。

虽然逆谱密度（inverse spectral density）是定义时间序列网络的标准工具——它代表了在去除其他变量的线性效应后，频域内的偏相干性——但在高维设定下，现有方法面临两个主要障碍：

1. 估计偏差（Estimation Bias）： 用于处理高维情况（$p \gg T$）的正规化估计量（如 Lasso 类）会引入不可忽视的偏差，使得标准的渐近正态性假设失效。
2. 计算复杂度（Computational Complexity）： 直接对两个高维逆谱密度矩阵之差进行推断在计算上是难以实现的，通常需要复杂度为 $O(p^6)$ 的运算。
3. 时间依赖性（Temporal Dependence）： 标准的推断框架通常假设数据是独立同分布（i.i.d.）的，但时间序列数据具有时间依赖性，这降低了有效样本量并使推导有效的置信区间变得复杂。

作者旨在开发一个针对微分网络 $\Delta^* = F^{*-1}_1 - F^{*-1}_2$（其中 $F^*_l$ 是条件 $l$ 下的谱密度）的**去偏推断（de-biased inference）**框架，该框架需具备渐近正态性、无偏性且具备计算可扩展性。

2. 方法论

所提出的方法被称为谱 D-trace 差异（Spectral D-trace Difference, SDD）推断，它通过结合去偏技术和特定的谱密度估计技术，扩展了 Hellstern 等人 (2025) 的以一致性为中心的 SDD 程序。

A. 通过广义 D-trace 损失进行直接差异估计
该方法不是分别估计两个逆谱密度 $\Sigma^{*-1}_1$ 和 $\Sigma^{*-1}_2$ 再求差，而是直接估计差异 $\Delta^*$。它利用了总体层面的关系：
$$\Sigma^*_2 \Delta \Sigma^*_1 = \Sigma^*_2 - \Sigma^*_1$$
这被构建为一个最小化广义 D-trace 损失函数的问题：
$$L_\eta(\Delta; \Sigma^*_1, \Sigma^*_2) = \frac{1}{2} \text{vec}(\Delta)^\top H^*_\eta \text{vec}(\Delta) - \text{vec}(\Delta)^\top \text{vec}(\Sigma^*_2 - \Sigma^*_1)$$
其中 $H^*_\eta = \eta (\Sigma^*_1 \otimes \Sigma^*_2) + (1-\eta)(\Sigma^*_2 \otimes \Sigma^*_1)$。

• 初始估计量： 通过最小化该损失函数的样本版本来获得 $\ell_1$ 惩罚估计量 $\hat{\Delta}$。
• 广义框架： 虽然 $\eta=1/2$ 对应于标准的 D-trace 损失，但作者利用 $\eta \in \{0, 1\}$ 进行去偏步骤，以实现计算的可扩展性。

B. 去偏与投影
为了纠正初始 $\ell_1$ 惩罚估计量的偏差，该方法采用基于投影估计方程的去偏步骤。针对特定感兴趣的边构建去偏估计量 $\tilde{\Delta}_0$：
$$\tilde{\Delta}_0 = \hat{\Delta}_0 - [\hat{H}\hat{v}]_0^{-1} \hat{v}^\top \nabla L_\eta(\hat{\Delta}; \hat{\Sigma}_1, \hat{\Sigma}_2)$$
这里 $\hat{v}$ 是通过约束优化（类似于 CLIME）估计出的投影方向，用于近似对应于感兴趣参数的逆海森矩阵（inverse Hessian）的一列。

C. 谱密度估计（Welch 估计器）
该方法使用 Welch 非重叠估计器 来替代平滑周期图，从而得到谱密度 $\hat{\Sigma}_1$ 和 $\hat{\Sigma}_2$。

• 窗口大小： 理论分析指出，最优窗口大小 $B \asymp T^{1/2}$（具体为 $B \asymp \sqrt{T}/(\log d)^{1+2\alpha}$），这与先前研究中针对不同目标的 $T^{1/3}$ 建议不同。这一选择平衡了截断偏差与方差，以确保 Berry-Esseen 界限趋于零。
• 依赖框架： 该方法依赖于函数依赖框架（functional dependence framework） (Wu, 2005)，假设底层过程具有弱依赖性且具有亚指数（或亚高斯）尾部。

D. 计算可扩展性
为了克服反转 $p^2 \times p^2$ 规模的海森矩阵 $H^*_\eta$ 所带来的 $O(p^6)$ 复杂度，作者提出使用 $\eta \in \{0, 1\}$ 的广义损失。

• 对于 $\eta=1$，有 $H^*_1 = \Sigma^*_1 \otimes \Sigma^*_2$。其逆矩阵为 $(\Sigma^*_1)^{-1} \otimes (\Sigma^*_2)^{-1}$。
• 这使得问题简化为反转两个 $p \times p$ 矩阵，从而将复杂度降低至 $O(p^3)$。
• 插值方差估计量通过稀疏矩阵-向量乘法高效计算，无需显式构建大型协方差矩阵。

3. 核心理论贡献

论文为所提出的推断程序建立了严谨的理论保证：

1. 高斯近似误差界限： 定理 3 和引理 1 提供了一个新的 Berry-Esseen 型误差界限，适用于任何去偏 D-trace 估计程序。该界限量化了初始协方差估计中的误差如何传播到最终的差异估计量中。
2. 最优窗口大小： 作者推导出，在此背景下为了最小化高斯近似误差，窗口大小 $B$ 应随 $T^{1/2}$ 缩放，这与之前的 $T^{1/3}$ 建议形成对比。
3. 渐近正态性： 定理 4 证明，在满足以下条件时，去偏估计量 $\tilde{\Delta}_0$ 是渐近正态且无偏的：
   • 底层过程满足弱函数依赖条件。
   • 窗口大小 $B_1, B_2$ 相对于 $T_1, T_2$ 适当地增长。
   • 投影方向 $v^*$ 的“局部稀疏性”受到控制（即感兴趣边的涉及节点在底层网络中不会过度连接）。
4. 一致方差估计： 提出了一个插值（plug-in）渐近方差估计量，并证明其具有一致性，从而能够构建有效的置信区间和假设检验。

4. 实证结果

模拟实验：

• 数据由具有不同维度（$p=15, 50, 100$）和样本量（$T=100$ 到 $25,000$）的高维 VAR(1) 过程生成。
• 随着样本量的增加，该方法成功控制了第一类错误（Type I error）并实现了置信区间的标称覆盖率。
• 广义估计方程（$\nabla L_0, \nabla L_1$）的表现与标准 D-trace 损失（$\nabla L_{1/2}$）相当，但在处理较大 $p$ 时在计算上更具可行性。
• 统计功效随样本量增加而提高，但由于缩放因子 $\sqrt{T/B} \approx T^{1/4}$ 的存在，收敛速度较慢。

真实数据应用（EEG）：

• 该方法应用于来自健康受试者（Hatlestad-Hall et al., 2022）的脑电图（EEG）数据，以比较大脑连接网络。
• SDD 方法识别出了跨越 Theta、Beta、Gamma 和 High-Gamma 频段的稀疏微分网络。
• 相比之下，竞争方法（带有融合惩罚项的联合图形 Lasso，FGL）由于分别估计单个网络，产生了稠密的差异估计，这突显了直接差异估计方法的优势。

5. 意义与主张

本文声称通过提供第一个用于高维谱微分网络的有效、轻假设推断框架，完成了 SDD 程序的研究闭环。其意义在于：

• 直接推断： 它避免了在求差之前分别估计两个高维逆矩阵所带来的计算和统计陷阱。
• 理论严谨性： 它提供了第一个在时间序列背景下的去偏 D-trace 估计器的 Gaussian 近似误差界限，并通过函数依赖框架明确考虑了时间依赖性。
• 可扩展性： 通过利用广义 D-trace 损失（$\eta \in \{0, 1\}$），它将计算复杂度从 $O(p^6)$ 降低到 $O(p^3)$，使推断在神经科学等高维应用中变得可行。
• 实际效用： 该方法已在 R 包 sdd 中实现，并在真实 EEG 数据上得到了验证，展示了其检测大脑连接性中稀疏结构变化的能力。

作者谦虚地指出，有效的推断仍需要某些结构性假设（特别是关于投影方向 $v^*$ 的局部稀疏性），这是高维微分网络测试中的一个基本限制，类似于在高维高斯图形模型和线性回归中的发现。