跳转至

Rank-Based Tests for Mutual Independence of High-Dimensional Random Vectors via \(L_q\) Norm

作者: Ping Zhao, Hongfei Wang, Long Feng
主题: 数理统计 / 假设检验
相关性: 9/10
链接: https://arxiv.org/abs/2605.25380

一、核心问题与贡献

①研究了高维随机向量分量间互独立性检验中，现有 \(L_2\) (dense alternative) 与 \(L_\infty\) (sparse alternative) 统计量对中等稀疏度备择假设适应性不足的问题。②核心工具是基于秩的 max-sum 框架，在简单线性秩、非退化与退化秩 U-statistic 三类度量下，构造有限 \(L_q\) power-sum 统计量，并证明其与 \(L_\infty\) 统计量的块渐近独立性。③主要贡献是提出了 \(L_{2,4,6,\infty}\) Cauchy 组合检验程序，在各类稀疏度与非线性依赖结构下均表现出稳健的检验势，同时给出了 Spearman's \(\rho\) 和 Kendall's \(\tau\) 的 \(L_4, L_6\) 精确有限样本矩公式。

二、基础设定

  • 核心概念与符号：
  • \(\Lambda_p = \{(s,t): 1 \le s < t \le p\}\)，\(N_p = p(p-1)/2\)。
  • 三类秩相关性度量：\(V_{st}\) (简单线性秩统计量，如 Spearman's \(\rho\))，\(W_{h,st}\) (非退化秩 U-statistic，如 Kendall's \(\tau\))，\(Q_{h,st}\) (退化秩 U-statistic，如 Hoeffding's \(D\), Bergsma's \(\tau^*\))。
  • 中心化单对统计量：\(\tilde{A}_{st} = A_{st} - E_0(A_{st})\)。
  • 有限 \(L_q\) power-sum 统计量：\(S_{A,q} = \sum_{(s,t)\in\Lambda_p} (\tilde{A}_{st}^q - \mu_{A,q,n})\)，标准化为 \(Z_{A,q}\)。
  • 极值统计量：\(M_A\) (对 \(V, W\) 基于 Gumbel 分布 \(G\)，对 \(Q\) 基于非经典极值分布 \(F\))。

  • Cauchy 组合统计量：\(C_{A,B} = \sum_{a \in \{2,4,6,\infty\}} w_a \tan(\pi(1/2 - P_{A,a}))\)。

  • 关键假设：

  • Assumption 2.1：边际分布连续，\(N_p \to \infty\)，\(q\) 为固定偶数。保证秩无结且高维框架成立。
  • Assumption 2.2-2.4：分别针对三类统计量的有界性、退化阶数、谱分解及 \(\log p = o(n^{1/3})\) (或 \(o(n^\theta)\)) 的维度条件。含义：控制极值统计量的中偏差速率，与已有文献 (Han et al. 2017, Drton et al. 2020) 对齐，未作强化。

  • Assumption 2.5：U-statistic 的 Hoeffding 投影的协方差与高阶累积量条件 (源自 Zhang et al. 2025)。含义：保证固定 \(L_q\) U-statistic 的 CLT 成立，是引入高阶 U-statistic 理论的必要代价。

  • 问题背景：

  • 已有 max-sum 框架 (Wang et al. 2024) 仅结合 \(L_2\) 与 \(L_\infty\)，在中等稀疏度下存在 power 真空；Zhang et al. (2025) 建立了 \(L_q\) U-statistic 的渐近正态性，但未解决其与极值统计量的联合分布及组合检验问题。
  • 本文填补了 \(L_q\) 与 \(L_\infty\) 渐近独立性的理论空白，并给出了退化核的精确/模拟矩计算方案。

三、主要定理 / 核心结果

  1. Proposition 2.1 (精确矩计算)：
  2. 原文陈述：\(E_0(S_{A,q}) = 0\), \(\text{var}_0(S_{A,q}) = N_p v_{A,q,n}\)，且给出了不同 \(q_1, q_2\) 间的协方差公式。
  3. 直观解释：由于 \(H_0\) 下分量互独立，全局 \(L_q\) 统计量的方差可由单对统计量的矩精确线性叠加，交叉项因条件期望为零而消失。
  4. 技术难点：无，为标准分解。
  5. 局限：对退化 U-statistic，

Maintained by 陈星宇 · Homepage · Source on GitHub

评论