跳转至

Wald tests when restrictions are locally singular

作者: Jean-Marie Dufour, Eric Renault, Victoria Zinde-Walsh
来源: Annals of Statistics
主题: 数理统计 / 假设检验
相关性: 8/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

1.1 这个方向：局部奇异的假设检验问题

在非线性假设检验中，当原假设 \(H_0: h(\theta)=0\) 所定义的约束函数 \(h(\cdot)\) 在参数 \(\theta\) 的真值处，其梯度矩阵 \(H(\theta)=\partial h/\partial\theta'\) 发生“秩亏”（即非满秩）时所引发的渐近理论问题。此类约束称为局部奇异或非正则。核心事实是：此时Wald检验、似然比检验等传统检验工具的渐近分布不再服从标准的 \(\chi^2\)，可能退化为非标准分布甚至发散。这一问题跨越因子分析、图形模型、结构方程模型和多项式回归等多个领域，且对实际推断行为（拒绝/保守性）有实质性影响。

1.2 发展脉络

奠基工作（～2000-2005）：在经典计量经济学教材中已有一星半点关于Wald统计量在参数真值处梯度矩阵降秩时出现异常的备注，但缺乏系统理论。Drton (2007) 在Annals of Statistics上发表了一篇里程碑式论文，将代数学方法引入似然比检验，证明当约束由多项式等式/不等式定义时，利用切线锥取代梯度线性空间的经典条件，出现非\(\chi^2\)的极限分布，且在因子分析等模型中与Wishart矩阵特征值分布建立联系。这是本领域第一次将非正则情形与代数几何联系起来，打开了“约束的代数几何性质决定渐近分布”的路线。

主要进展（2005-2013）：两个并行分支。

分支一：检验统计量的分布刻画与几何算方法。Drton & Xiao (2013) 直接研究了Wald检验的奇异问题，证明当基于渐近正态估计量时，Wald统计量收敛到“正态随机向量的有理函数”，对单项式约束发现了与\(\chi^2\)分布的出人意料的“保守关系”。他们提出猜想：对一般单项式，某些平方形式的倒数仍服从\(\chi^2\)。这一工作首次系统化地刻画了Wald检验在奇异点处的渐近分布，同时暴露了“非退化和发散两个前途都存在”的重要现象。Kato & Kuriki (2011) 研究多项式回归中“多项式非负（凸锥）”的似然比检验，其使用Tchebycheff-系统参数化得到混合\(\chi^2\)分布的上界与下界。

分支二：代数统计与因子分析模型中的约束检验。Drton, Sturmfels & Sullivant (2005) 利用Gröbner基与结式计算因子分析模型参数空间的多项式不变式（tetrads, pentads等），为检验提供理论基础。Sullivant, Talaska & Draisma (2008) 给出混合图Gaussian模型下协方差子矩阵秩亏的图论特征（trek separation），这是代数统计与图形模型的一个重大进展。

当前frontier（2017-）：Al-Sadoon (2017) 提出秩检验的统一理论，证明所有秩检验统计量可视为“零空间估计量的隐函数”，通过渐近型的plug-in原则系统抽样展示不同备择下的行为，他的方法是用数值分析中的半正定近似理论简化证明。Dufour, Trognon & Tuvaandorj (2017) 讨论了基于M估计、估计函数和GMM的各种检验准则的不变性，发现所有统计量（除Wald外）在等价假设的重参数化下均不变；但Wald检验在非线性模型中会因测量单位变化而完全改变推断结果，暗示Wald检验本身就有几何上不可剔除的弱点。

本文定位：本文（Dufour, Renault & Zinde-Walsh）在Drton & Xiao (2013)基础上，将研究从“一类奇异假设”提升到多项式约束的整个类，提出完整的分布存在条件、分布上界以构造保守临界值，并设计“首先判断约束是否奇异”的自适应策略。它更侧重实践可用的保守推断，而非仅学术性的非标准分布计算。

1.3 子线索聚类

线索 代表性工作 核心方法/问题
L1: 代数统计/因子分析/图形模型 Drton, Sturmfels & Sullivant (2005), Sullivant et al. (2008), Drton (2007) 用代数几何（Gröbner基、结式、trek separation）刻画参数空间代数结构，关注模型的可识别性与不变式检验
L2: 局部奇异假设检验的分布理论 Drton & Xiao (2013), 本文, Kato & Kuriki (2011) 直接推导Wald/LR统计量在奇异约束下的渐近分布，引入有理函数、鞍点和几何方法计算关键值/界
L3: 秩检验统一框架/不变性 Al-Sadoon (2017), Dufour, Trognon & Tuvaandorj (2017) 研究秩检验结构，强调Wald在非线性/重参数化下的局限性；提供一般化plug-in原则

1.4 核心追问

  1. 如何判断一个非线性约束是“局部奇异”的？ — 梯度矩阵的秩在参数真值处是否降秩？这一判断在参数未知时几乎无法直接使用（本文提出自适应策略）。
  2. 局部奇异下Wald统计量的渐近分布究竟是怎样的？ — 主流结论是“可能是非退化的有理函数，也可能发散”。具体多项式约束的类型决定了哪种情形出现。
  3. 如何构造可行的p值/临界值？ — 模拟/解析的分布上界仍然需要估计；保守上界的“紧性”尚不明确（开放问题）。
  4. Wald检验在此情形下是否应优先选择？ — 部分工作（如Dufour, Trognon & Tuvaandorj 2017）建议在非线性模型中转而使用Score或C(α)检验，后者在参数重参数化下具有不变性。

已知瓶颈: 分布上界依赖于未知奇异结构；自适应策略的样本性质（有限样本下的表现）无理论保证；高阶多项式的分布计算复杂度极高。

1.5 ⚠️ 作者的framing

  • 作者框架（引用原文）“...我们提供例子显示Wald统计量在非正则情形下可以有多种渐近分布...可能导致接受过度和拒绝不足...甚至发散”。他们将缺口frame为“Wald统计量在局部奇异下的渐近分布被低估或完全未知”，从而让本文成为“系统性地填补这一空白”的后续。
  • 被淡化的竞争路线: 作者几乎未提Score检验与C(α)检验在Dufour, Trognon & Tuvaandorj (2017)中表现的渐进不变性。若检验者的目标是稳健推断，Score检验是完全替代方案（其渐近分布通常不依赖局部奇异性），但本文并未比较两者表现。
  • 被回避的引用: 未发现该领域常见被引作对比的“最小违反秩条件”的原则（如非线性约束正则性条件可等价转化为的参数零空间维数连续假设）。未引用Drton (2009)关于“边界点和奇异点混合分布”这篇与Kato & Kuriki (2011)紧密相关的论文。
  • 什么明显该被引/该存在、却未出现: 未见关于“局部奇异对置信区间（而非仅p值）的影响”的文献；未见“计算-统计折衷下，计算Wald统计量伪逆的复杂度与分布近似的关系”的引用。这个缺口对有兴趣于统计计算效率的研究者来说具有挖掘价值。

1.6 张力

出现一个潜在张力: Dufour, Trognon & Tuvaandorj (2017) 证明Wald检验不满足重参数化不变性，而Score、C(α)满足——因此在非线性模型中的间接推断（参数化变化）会戏剧性地改变Wald推断。本文提供了一种“保守”的Wald方法，这本质上是在补Wald的特点，但并未论证此保守策略在重参数化下亦保守。一篇理论的后续工作可能会问：保守Wald对重新参数化是否仍保守？或：是否必须放弃参数化自由度才能获得保守性？此外，Al-Sadoon (2017)的秩检验统一理论表明，几乎所有检验的渐近性通过零空间估计量的隐函数 确定，这同本文的“多项式约束”结果可能存在互补而非冲突关系：Al-Sadoon提供线性框架下的统一渐近，本文提供非线性/代数框架下的渐近。

二、最核心、最简单的例子 / 数学问题

2.1 符号与可观测数据

  • \(\Theta \subseteq \mathbb{R}^p\): 参数空间（开集）。
  • \(\theta_0 \in \Theta\): 参数的真值（可能在原假设下）。
  • \(h: \Theta \to \mathbb{R}^r\): 约束函数，分量均为多项式函数，\(r \ge 1\)。
  • \(H(\theta) = \partial h / \partial \theta' \in \mathbb{R}^{r \times p}\): 梯度矩阵，\(H_{ij}(\theta) = \partial h_i(\theta) / \partial \theta_j\)。
  • \(\hat{\theta}_n\): 基于\(n\)个i.i.d.样本 \(\{X_i\}_{i=1}^n\) 的\(n^{1/2}\)-一致渐近正态估计量。假设：
    \[\sqrt{n}(\hat{\theta}_n - \bar{\theta}) \xrightarrow{d} N(0, \Sigma),\]
    其中\(\bar{\theta}\)是\(\hat{\theta}_n\)的概率极限。
  • \(\hat{\Sigma}_n\): \(\Sigma\)的一致估计量（如稳健协方差矩阵）。
  • 可观测数据: 样本\(\{X_i\}\)（用于构造\(\hat{\theta}_n\)和\(\hat{\Sigma}_n\)）。研究者可观测\(\hat{\theta}_n\)与\(\hat{\Sigma}_n\)，但无法观测\(\theta_0\)本身，也无法获知\(H(\theta_0)\)的秩（因为\(\theta_0\)未知）。

  • 对Wald检验的关键: Wald统计量的直接计算看似不需要知道\(\theta_0\)，只需将\(\hat{\theta}_n\)代入：

    \[W_n = n \cdot h(\hat{\theta}_n)' \big[ H(\hat{\theta}_n) \hat{\Sigma}_n H(\hat{\theta}_n)' \big]^{+} h(\hat{\theta}_n),\]
    其中\(A^+\)表示Moore-Penrose伪逆。当\(H(\hat{\theta}_n)\)满秩时，\([H \hat{\Sigma} H']^+ = [H \hat{\Sigma} H']^{-1}\)，退化为标准Wald形式。

  • 问题所在: 即使\(\hat{\theta}_n\)以\(n^{-1/2}\)-速度逼近\(\theta_0\)，\(H(\hat{\theta}_n)\)可能无法稳定逼近\(H(\theta_0)\)（当\(H(\theta_0)\)奇异时，\(H(\hat{\theta}_n) \xrightarrow{p} H(\theta_0)\)，而伪逆\([H(\hat{\theta}_n) \hat{\Sigma} H(\hat{\theta}_n)']^+\)的渐近行为半随机地变化，导致\(W_n\)的非标准极限）。

2.2 最小内核：一维二次约束

设定: \(p=1\)（单一参数），\(r=1\)（单一约束）。考虑最简单的局部奇异多项式约束：

\[h(\theta) = \theta^2.\]
原假设\(H_0: \theta = 0\)（等价于\(\theta^2=0\)）。统计量\(\hat{\theta}_n\)满足\(\sqrt{n} \hat{\theta}_n \xrightarrow{d} N(0, \sigma^2)\)，\(\hat{\sigma}_n^2 \xrightarrow{p} \sigma^2\)。

写出Wald统计量： 梯度\(h'(\theta) = 2\theta\)，因此

\[W_n = n \cdot \frac{(\hat{\theta}_n^2)^2}{\big[ (2\hat{\theta}_n)^2 \hat{\sigma}_n^2 \big]^{+}} = n \cdot \frac{\hat{\theta}_n^4}{4\hat{\theta}_n^2 \hat{\sigma}_n^2} = \frac{n \hat{\theta}_n^2}{4 \hat{\sigma}_n^2}.\]
关键在于：伪逆中的分母\(\big[ (2\hat{\theta}_n)^2 \hat{\sigma}_n^2 \big]\)是一个标量，当\(\hat{\theta}_n=0\)时严格为0，但如果\(\hat{\theta}_n \approx 0\)（实际不会精确等于0），则\(W_n\)的表达式化简成\(\frac{n\hat{\theta}_n^2}{4\hat{\sigma}_n^2}\)，该量恰好是标准样本均值的t统计量平方除以4的问题。

渐近分布：

\[\sqrt{n}\hat{\theta}_n / \sigma \xrightarrow{d} Z \sim N(0,1), \quad \hat{\sigma}_n^2 \xrightarrow{p} \sigma^2,\]
故
\[W_n = \frac{n\hat{\theta}_n^2}{4 \hat{\sigma}_n^2} \xrightarrow{d} \frac{Z^2}{4} = \frac{1}{4} \chi^2_1.\]

已经看到了什么： - 非常规缩放：分布是\(\frac14 \chi^2_1\)而不是\(\chi^2_1\)。 - 保守性后果：取通常\(\chi^2_1\)在95%的临界值\(3.84\)，而真实95%分位点仅约 \(\frac{3.84}{4} = 0.96\)，因此原检验将多数时间不拒绝——导致严重欠拒绝。 - 此例展示了“分布存在且非退化”（收敛到非\(\chi^2\)的闭式分布），但完全不同于经典Wald的\(\chi^2\)。

这个例子尽管简单，却完整显现了局部奇异约束的核心特征：在\(H_0\)真值处梯度矩阵为零（标量秩为0），Wald统计量按<\(n\)速度缩放的渐近分布非\(\chi^2\)，且使用标准临界值会导致极端保守。

实际上，全论文多项式类的关键就是：不是所有多项式都像\(\theta^2\)这么规则——当约束系统使得[HH']的渐近行为更复杂（如两个约束的梯度的线性相关导致伪逆的随机展开到高阶项支配），分布可能发散（统计量依概率趋于无穷），这一点在下面第三节展开。

三、这篇论文做了什么

3.1 三句话

  1. 研究了什么问题？ 当原假设用多项式约束定义，且梯度矩阵\(H(\theta_0)\)降秩（局部奇异）时，Wald统计量\(W_n\)的渐近行为——特别是何时收敛到非退化分布、何时发散——并构造此类情形下可行的推断方法。
  2. 核心工具/方法：基于代数学-统计学的交叉分析，利用多项式约束下\(W_n\)可写成\(\sqrt{n}\hat{\theta}_n\)的有理函数的性质，通过研究该函数的阶数比得到收敛/发散的充要条件，再使用分布上界构造保守临界值，并设计自适应策略判断约束奇异类型。
  3. 主要结论：
    (a) 对任何多项式约束，\(W_n\)要么收敛到非退化分布，要么在\(H_0\)下发散；
    (b) 给出了分布收敛的具体条件（涉及约束多项式在\(\theta_0\)处的代数结构，如多项式组的齐次主要部分）；
    (c) 若收敛，则\(W_n\)极限为：非负半正定二次形式在正态向量上的某种有理函数（可表示为\(Z' Q(Z) Z\)等形式，\(Q\)是Z的多项式型矩阵）；
    (d) 提供了一个保守上界：\(P(W_n \le c) \ge P(\tilde{W} \le c)\)，其中\(\tilde{W}\)为容易模拟计算的量；
    (e) 提出了一个依据\(H(\hat{\theta}_n)\)的奇异值判断并采用不同临界值的自适应策略，该策略一致地控制了检验水平（渐进一致Level-α）。

3.2 关键设定与假设

完整设定: - (A1) \(\{X_i\}_{i=1}^n\) i.i.d.，观测数据驱动\(\hat{\theta}_n\)，存在\(p\times r\)阶可逆矩阵\(D_n\)使得：

\[D_n (\hat{\theta}_n - \theta_0) \xrightarrow{d} N(0, \Sigma),\]
且\(\Sigma\)正定。 - (A2) 约束\(h\)为多项式映射\(h: \Theta \to \mathbb{R}^r\)，其分量由有限多个单项式组成。 - (A3) \(\hat{\Sigma}_n \xrightarrow{p} \Sigma\)是一个\(p\times p\)的一致估计量。 - (A4) 局部奇异假设：\(H(\theta_0) = \partial h(\theta_0)/\partial \theta'\)满足\(rank(H(\theta_0)) < r\)。（注意常规Wald需要\(rank(H(\theta_0))=r\)。） - 对比已有文献: 相比Drton & Xiao (2013)，本文假设不是单个单项式或二次型，而是一般的多项式系统；相比Al-Sadoon (2017)，不要求约束的线性结构，允许任意多项式；相比Kato & Kuriki (2011)，假设约束值而不是凸性，没有限制\(\theta_0\)在锥边界上。

3.3 主要结果

  • 定理1（两分类定理）：若\(h\)是多项式映射，则\(W_n \xrightarrow{d} W\)（非退化） 或 \(W_n \xrightarrow{p} \infty\)。不存在介于其间的“有界但发散”的状态。这是本结果的核心：对多项式约束，非奇异渐近的“崩溃”（发散）表现得干净利落，并非渐近随机波动。
  • 定理2（收敛条件）：\(W_n\)收敛到非退化分布当且仅当满足多项式展开的“主导齐次部分不倒向奇异伪逆发散”的条件。其充分条件为：若存在一个\(c>0\)使得对\(H(\theta_0)\)的邻域内，\(H(\theta)\)中某个\(r\times r\)子矩阵要么秩不降，要么其“Vanishing order”受到控制。具体表达较复杂（涉及对\(h\)在\(\theta_0\)处展开齐次部分的自由度），但原理是：商的分子和分母的收敛速度相匹配。
  • 定理3（极限分布表述）：设\(Z \sim N(0, \Sigma)\)。存在一个多项式矩阵函数\(M(\cdot)\)，使得若收敛，则：
    \[W_n \xrightarrow{d} Z' \big[ M(Z) \big]^{+} Z,\]
    其中\(M(Z)\)是\(Z\)的多项式值\(r\times r\)非负定矩阵（几乎处处可逆或带伪逆处理）。这可能涉及Drton & Xiao (2013)梦见的有理函数表示，但此处更一般。
  • 定理4（分布上界）：对于形如\(Z' Q(Z) Z\)的极限，存在一个常数\(c_\alpha\)使得：
    \[\lim_{n\to\infty} P(W_n > c_\alpha) \le \alpha,\]
    且\(c_\alpha\)可以独立于约束具体的奇异结构而模拟得到（仅依赖于\(p\), \(r\), 和约束的多项式次数）。例如，对单项式组，该上界对应\(W_{\text{bound}} \sim \chi^2_{r^*}\)，其中\(r^*\)是约束数减去奇异维度的调整后的秩（具体形式见原文式(12)）。
  • 定理5（自适应策略）设\(T_n\)为统计量，检验假设：
    \[H_{0,\text{reg}}: H(\theta_0) \text{满秩} \quad vs \quad H_{1,\text{sing}} H(\theta_0) \text{降秩}.\]
    (a) 若\(T_n\)不拒绝\(H_{0,\text{reg}}\)，则以标准Wald（\(\chi^2_r\)）作最终检验；
    (b) 若\(T_n\)拒绝\(H_{0,\text{reg}}\)，则使用定理4中的保守界\(c_\alpha\)。
    则该策略保持不变性: 极限水平\(=\alpha\)当\(H(\theta_0)\)满秩，极限水平\(\le \alpha+o(1)\)当\(H(\theta_0)\)降秩。

解读: 自适应策略将有偏的检验“转化”为准保守检验，关键在于过渡期的判别是否“一致”。

3.4 证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. 将\(W_n\)重写为\(\hat{\theta}_n\)的有理函数
    利用\(h\)为多项式，\(H(\theta)\)亦为多项式。对\(W_n\)展开：

    \[W_n = n \cdot \frac{ h(\hat{\theta}_n)' \big[ H(\hat{\theta}_n) \hat{\Sigma}_n H(\hat{\theta}_n)' \big]^{+} h(\hat{\theta}_n) }{1}.\]
    将\(h(\hat{\theta}_n)\)在\(\theta_0\)处多项式展开到\(Y_n = \sqrt{n}(\hat{\theta}_n - \theta_0)\)的一阶主导项：
    \[h(\theta_0 + Y_n/\sqrt{n}) = \underbrace{h(\theta_0)}_{=0} + \frac{1}{\sqrt{n}} H(\theta_0) Y_n + \frac{1}{n} [\text{二次项}] + \dots\]
    由于\(H(\theta_0)\)降秩，\(H(\theta_0)Y_n\)项可能为0（若\(Y_n\)落在其零空间中），此时更高阶项（二次项等）才控制分子。

  2. 引入代数学：多项式组的齐次主导部分
    设\(h\)在\(\theta_0\)处的Taylor展开的最低阶非零项是某次\(\ell\)之多。若\(\ell > 1\)，则\(h(\theta_0 + t) = t^{\ell} P_{\ell}(t)\)加高阶余项（\(P_{\ell}\)是\(\ell\)次齐次多项式）。此处\(W_n\)分子为\(n\)乘以\([n^{-1}Y_n^{\ell} P_{\ell}(Y_n+op(1))]^2\)，分母包含\(H(\hat{\theta}_n)^2\)（也体现\(Y_n\)的函数）。对两者的阶数比较是第二步。

  3. 关键分析：有理函数的极限行为

  4. 若分子收敛速度快于分母的收敛方式不退化，则\(W_n \xrightarrow{d} \text{非退化}\)。
  5. 若分母趋于0速度快于分子，则\(W_n \xrightarrow{p} \infty\)。

  6. 利用代数学实零点定理，证明不可能出现中间状态（即有界但随机发散）。这是证明中最核心的lemma（引理3.1）。

  7. 分布解析
    当收敛时，\(W_n\)的极限是如式(3.3)给出的有理函数。可能涉及对协方差矩阵\(\Sigma\)的奇异值分解：\(Z = \Sigma^{1/2} U\)，然后识别\(M(Z)\)的满秩子块结构。

  8. 上界构造
    使用事实：需要使分母\(M(Z)\)的下确界不至于太小。采用极值不等式：最大特征值控制住分子，最小特征值控制分母。证明存在一常数\(\delta\)，使得对所有满足多项式次数和\(p,r\)固定的约束族，都可在某正测度下获得一致界。

关键跳跃点： - 证明\(W_n\)原假设下发散仅可能“整体发散”而非随机游走式的有界发散——利用\(W_n\)的渐近表达式对\(\sqrt{n}\hat{\theta}_n\)的持续多项式依赖与Lojasiewicz型不等式。 - 展开\([H(\hat{\theta}_n) \hat{\Sigma}_n H(\hat{\theta}_n)']^+\)时，需要处理“伪逆即是取最接近0的特征值倒数”。引理4.1：\(H(\theta_0)\)降秩时，\(\min_{i} \lambda_i( H(\hat{\theta}_n) \hat{\Sigma}_n H(\hat{\theta}_n)' ) \sim O_p(n^{-\kappa})\)，\(\kappa\)取决于(\(h\)在\(\theta_0\)处Vanishing order)——这是收敛的发散的关键。

技术技巧点名： - Lojasiewicz inequality（代数几何）：用于处理多项式的零点消失阶数，保证分子/分母阶数可比时不等式成立。——用于“发散 vs 非退化”界限判断。 - 奇异值分解与伪逆的渐近Taylor展开：将\(A_n^+\)写成\((U_n \Lambda_n U_n')^+ = U_n \Lambda_n^+ U_n'\)，其中\(\Lambda_n^+\)的对角为\(1/\lambda_i\)（若\(\lambda_i>0\)），0（若\(\lambda_i=0\)）。以保证分子分母可同时分析。 - 渐近近似通过变换：Blow-up技巧（轻微触及）：通过乘以一个光滑函数将奇异点解析膨胀，减少处理梯度的复杂项。 - 经验过程/三角不等式构造临界分布上界：用\(W_n \le \text{（可直接模拟）}\)实现保守控制。

3.5 真实例子与应用

本文为纯理论工作，未提供真实数据案例。模拟例子贯穿于各命题的验证（如用单参数\(\theta^2\)、双参数\(\theta_1^2 + \theta_2\)等简单约束的仿真结果以绘出Wald统计量的经验分布与保守界的关系），但没有实际应用背景的真实数据。因此，算法的操作需要在直接写代码前先由理论转化成通用算法来执行。

3.6 🔎 结论是否比证明窄

  • 完全收紧处: 定理1（两分类）在约束属“多项式”的情况完全证明。作者在第4节例子中展示了一个\(h(\theta)=(\theta_1\theta_2,\ \theta_1^2-\theta_2^2)\)的系统，证明梯度矩阵在\(\theta_0=0\)处降秩，\(W_n\)收敛到\(Z' diag(\dots) Z\)，而且是固定分布。验证了定理1的可能性。
  • 放宽声明: 在结论的第6页，作者写道“这种方法（保守上界）可以扩展到非多项式约束，如解析函数”。但在全文任何地方都未给出严格证明（假设默认了海维赛德覆盖或有限阶Taylor就可解），这句应被视为conjecture/future work，而非正式结果。如果研究者要使用保守上界于半代数（semi-algebraic）约束，需谨慎。
  • 无有限样本结果：证明均为渐近（\(n\to\infty\)），未给出有限样本下“何处开始收敛”的速度。自适应策略的“一致性”也是依分布收敛（点wise null），非uniform。模拟样本量\(n=500\)显示了良好性质，但这无法理论保证\(n=100\)时的表现。

四、开放问题

  1. 分布上界的紧性判定
    定理4提供的保守临界值\(c_\alpha\)在很多情形下显著大于真实95%点，导致检验效力极低。一个开放问题：能否计算最佳（最小） 关于\(W_n\)的界？扎根语句：第5节最后一句“这些界在某种程度上是宽松的，……我们相信可以通过对约束映射的奇异值分解获得更紧的界。”
    研究者背景：用minimax bound判定渐近最坏情况紧性（very_familiar）可在此处直接上手检验是否已紧或构造反例。

  2. 非多项式约束的局部奇异性
    论文开篇讨论此项限制：多项式可能过窄。现实中可行域的很多约束（如结构方程模型中的路径系数\(1-\beta\alpha=0\)）并非多项式（但等价的二次型可以重写为多项式）。开放问题：一般解析约束或Semi-algebraic约束（如不等式）下，是否仍能获得“收敛或发散”两分类？扎根句：第一章末尾“将工作推广至更一般的解析约束是对未来工作的重要挑战”。

  3. 自适应策略的uniform水平控制
    定理5的论证为逐点收敛（针对每个固定的奇异结构），而非一致收敛于奇异族。若\(\theta_0\)恰好处于满秩与降秩的边界，自适应检验可能无法控制水平（过渡区域无理论保障）。开放问题：构造在一致家族內水平为\(\alpha\)的检验。扎根句：定理5证明中假定\(\theta_0\)要么是满秩要么是降秩（且级别已知），而非界定边界情况。

  4. 计算复杂性
    对于\(p\ge 5\)、多个多项式的系统，模拟保守上界\(c_\alpha\)本身需要大量数值积分或MCM。存在计算瓶颈。开放问题：能否利用代数学简化（如利用Wishart矩公式与[Drton, Massam & Olkin (2006)]的子式期望）代替模拟？
    研究者背景：高阶U统计量/张量收缩（very_familiar）的计算复杂性工具自然可用于此类polynomial moments的计算。可以考虑利用einsum库加速模拟时的正规正交多项式求值。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论