A Laplace equation approach to the Behrens--Fisher problem¶

作者: Nagananda K G, Jong Sung Kim
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2606.19726

一、领域脉络与小综述¶

这个方向是什么¶

该方向研究经典的 Behrens-Fisher 问题：在两个独立正态总体的均值是否相等，但两个总体方差未知且不相等（即异方差）的假设下，如何构造均值差的检验统计量并确定其精确抽样分布。这个问题自 Behrens (1929) 和 Fisher (1935) 提出以来，一直是对数理统计的经典难题，其核心困难在于：当放弃等方差假设后，常用的两样本 t 统计量不再服从 Student t 分布，且其分母是两个不同尺度参数的卡方变量的线性组合，导致无法得到闭合形式的精确分布表达式。该问题的成熟度很高——已有大量近似解法、修正方法和数值解法，但缺乏精确的有限样本解析解。本文的定位是尝试填补这个精确解的缺口。

发展脉络¶

从论文的引言和参考文献，可以梳理出这个子方向的发展主线，每一阶段都留下一个未被完全解决的缺口：

奠基工作：Behrens (1929) 首次提出了问题，Fisher (1935) 在《实验设计》中将其正式化，但两者都未给出真正的精确分布。
早期主要进展：
Welch (1947)：提出了最广泛使用的近似解法，通过 Satterthwaite (1946) 的近似给出有效自由度，将统计量近似为 t 分布。（引用句语句）: 论文引言指出“Welch’s test yields a practically excellent approximation...Its strength lies in its robustness and good Type I error control”，同时也直接点明了它的本质局限——是近似，不是精确解，且自由度是估计出来的。
Scheffé (1970) 和 Bozdogan & Ramirez (1986)：分别从实用和似然比的角度提出了解决方案，但仍是近似或调整。
近期进展与持续补充:
Dudewicz et al. (2007) 声称给出了一种精确解，但局限于特定抽样步骤。
大量工作集中在非参数扩展（Brunner et al., 2002; Konietschke & Pauly, 2012）、高维扩展（Zhou et al., 2017; Cao et al., 2019）和近似解法改进（Chen et al., 2022, 2023）。
Nagananda & Kim (2026) 的两篇最新工作：其中一篇（作者组的近期预印本）将复杂的二维积分约化为一条单值线积分，是本文的前置基础。本文是同一作者组的后续发展，旨在用更高层面的几何-PDE 框架彻底解决该问题。
本文的位置: 论文声称自己提供的不是“another approximation of that type”，而是导出了 cdf 和 pdf 的精确有限样本表达式。这个声明依赖于作者将问题重新框架为球面几何上的调和测度问题，是目前文献中第一个通过 PDE 路线给出闭合类型精确分布的尝试。

子线索聚类¶

这些被引文献大致落在以下几条线索上（论文引言基本都提到了它们），每条有不同目标：

A类：近似解法与修正——Welch (1947), Best & Rayner (1987), Asiribo & Gurland (1989), Chang & Pal (2008), Nadarajah & Li (2017), Chen et al. (2022, 2023)。这些工作的共同点：构造一个近似分布（如调整自由度的 t 分布），强调误差控制和实际性能。
B类：非参数与置换检验——Brunner et al. (2002), Larocque et al. (2010), Konietschke & Pauly (2012)。这类工作抛弃了正态假定，转而使用秩和或置换方法，但也因此牺牲了效率上的精确性。
C类：高维扩展——Zhou et al. (2017), Cao et al. (2019), Zhang et al. (2021), Pei et al. (2026)。针对 p >> n 的情景，通常依赖不同的渐近框架。
D类：精确理论/解析方法——Dudewicz et al. (2007)（特定程序）、Nagananda & Kim (2026)（积分约化）、以及本文。D类直接追求精确分布，当前的主要瓶颈是: 对一般(n1, n2, κ) 是否能得到闭合形式的 cdf 与 pdf。

这个方向在追问的核心问题¶

在异方差且方差未知的条件下，检验统计量 T 的精确分布是什么？能否写成标准函数（如 Beta / 不完全 Beta 函数）形式？
Welch 近似到底有多准？它的误差是否有可控的上界？当样本量小且方差比 κ 极端时，误差是否可接受？
能否把这种分布理论延伸到其他学生化统计量（如两个独立样本的方差比）或更一般的椭圆族？
能否用现代分析工具（位势论、PDE、谱分析）来替代传统的积分、特征函数、级数展开方法，从而得到结构上更清晰的解？

作者的 framing（必须明确标注为作者的说法）¶

缺口描述: 论文在 Introduction 开头和结尾反复强调：自 1929 年以来，尽管有大量近似、高阶修正和数值方法，但“evaluating the integral... does not lead to a closed-form expression for the cumulative distribution function (cdf)”。作者将此 frame 为“精确有限样本分布表达的缺失”问题。
本文的定位: 作者声称：“We aim to resolve this issue by taking a completely new standpoint.” 他们将这个缺失精确表达的问题与 Laplace 方程和调和测度对应起来，并宣称得到了精确的 Beta / 不完全 Beta 函数表达。作者指出，Welch 方法把结构压缩成一个估计出来的自由度参数，而本文的表达式“isolate the precise dependence of the law on the sample sizes and the variance ratio”。
被淡化/回避的竞争路线:
作者明确写了“This should be contrasted with the equal-variance case”，从而突出了问题的困难；但没有深入讨论 Dudewicz et al. (2007) 那个声称是精确解的方法到底有什么不足——读者只能靠论文标题推断那是一个特殊程序而非一般解。
对于非参数路线（Brunner et al. 等），作者在引言第 2 段仅仅点名了几篇，没有展开说“为什么非参数方法不能提供想要的精确分布”。
警告：本文是纯理论论文，没有任何真实数据应用案例。 它的全部结果都是封闭形式的分布公式。作者第 6.3 节的表和图的数值实验模拟生成的数据来验证公式，没有使用任何真实世界的观测数据。因此，对研究者来说，它是一篇“理论验证”性质的工作，不是“方法应用于真实数据”的工作。
值得研究者去查的缺失:
未见对 Pitman 的临近性比较或 渐近相对效率的讨论——如果有服从混合卡方分布的其他检验（如对数似然比检验），它们与本文的精确 t 型分布在效率上如何比较？
未见任何关于稳健性的讨论——如果数据稍微偏离正态性（如厚尾、污染），这个完全基于正态假设的精确分布是否还继续有用？作者在结论里提到“elliptically contoured models”作为未来方向，但没有给出任何已有文献引用。
在参考文献中，缺失了近期在“Stein's method / 高斯近似”方面的一些工作（如 Chen, Goldstein & Shao 2011），虽然它们不直接是对这个问题的“精确解”，但提供了另一种逼近的框架；作者在引言中并没有解释为什么这些替代思路不合适。

张力¶

论文的引言和结论在 Welch 方法的核心上存在张力。在引言中，作者强调他们的工作是“not another approximation of that type”，三个优势的表述暗含了批判意味。但在结论的处理上，作者第 6.3 节主动将他们的精确分位数与 Welch 近似分位数进行了完全的数值比较，并报告说“the Welch critical values are numerically very close to the compact finite-sample quantiles derived here”，甚至有非常小的差异（差异仅为 0.1-0.7%）。
这就产生了一个自然的张力：对方声称提供了一个崭新的精确分布，但自己也证明了这个精确分布在常用的参数范围里其实与已有的近似几乎没什么差距。这会对本文的实际“价值”造成什么影响，值得研究者自己判断（论文结尾处用一个温和的陈述“suggests that the exact law...can provide useful calibration”来化解这一张力）。这是判断可行性和关注点转移的一个关键点。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号:
样本: (X1, ..., Xn1) ~ i.i.d. N(μ1, σ1^2)，(Y1, ..., Yn2) ~ i.i.d. N(μ2, σ2^2)，且两样本独立。
待检验假设: H0: μ1 = μ2 (= μ)。未知参数：μ, σ1^2, σ2^2。
样本量: n1, n2 ≥ 2。
自由度: ν1 = n1 - 1, ν2 = n2 - 1。
样本均值: X̄ = (1/n1)∑_{i=1}^{n1} Xi, Ȳ = (1/n2)∑_{j=1}^{n2} Yj。
样本方差: S1^2 = (1/ν1)∑_{i=1}^{n1}(Xi - X̄)^2, S2^2 = (1/ν2)∑_{j=1}^{n2}(Yj - Ȳ)^2。
检验统计量: T = (X̄ - Ȳ) / sqrt(S1^2/n1 + S2^2/n2)。此即 Behrens-Fisher 统计量。
总体方差参数:
- g = σ1^2 / n1：总体均值 X̄ 的方差。
- h = σ2^2 / n2：总体均值 Ȳ 的方差。
- 方差比 κ = σ1^2 / σ2^2。这是连接两个总体方差的核心标量参数，也是本文最终表达式中唯一涉及未知总体参数的项。
- 缩放因子 c_κ = sqrt(κ/n1 + 1/n2)。本文最终的 pdf 中，c_κ 扮演了 Student t 分布中“尺度参数”的角色。
重构后的维度: D = n1 + n2 - 1。这正是球面问题的维数。
分布函数: F_T(t) = P(T ≤ t), f_T(t) 为 pdf。
几何量:
- 对空坐标（重新参数化后）:
- u：表示均值对比度（mean contrast）。
- v, w：表示剩下的 n1-1 和 n2-1 维残差块。
- 极角 φ：由 u = r cos φ, ρ = r sin φ 定义。φ 的阈值由 t 决定。
- 球面楔形 W_t：球面上满足 u ≤ t sqrt(||v||^2 + ||w||^2) 的方向集合。
模型:
数据生成: X ~ N(μ1_n1, σ1^2 * I_{n1})；Y ~ N(μ1_n2, σ2^2 * I_{n2})。独立的两个多元正态模型。
估计参量: θ = (μ1-μ2, κ)，其中 κ 是主要干扰参数。
已知/假设: 正态性；独立性；方差不等。
可观测数据:
观测到的: X̄, Ȳ, S1^2, S2^2。即两个样本均值和样本方差。
不可观测的 / 需要通过假设识别的: 单个方差 σ1^2, σ2^2 是未知且无法直接观测的。因此 κ 也是未知的，且不能从数据中一致估计（它是总体参数比，本身需要假设约束）。在构造检验时，条件分布必须将 κ 作为条件的一部分。

第二步：讲最小内核（最简特例）¶

本文的数学核心可以凝练在一个极其简单、退化的特例中：假设 n1 = n2 = 2。

第 I 步：在 n1=n2=2 下的推导

基础数据: 我们有 4 个观测 (X1, X2) 和 (Y1, Y2)。
符号转化:
样本量: n1 = n2 = 2。
自由度: ν1 = ν2 = 1。
残差维度: n1 - 1 = n2 - 1 = 1。
总维度 D = n1 + n2 - 1。代入 n1=2, n2=2 得到 D = 3。
正交分解与缩放: 做正交变换后（类似 PCA），我们可以将观测分解为一个均值方向和一个1维残差方向。均值方向对应 (X̄ - Ȳ) 的标准化变量；残差方向对应 S1^2, S2^2 的正交部分。标准缩放后，我们有:
均值对比度变量: u ~ N(0, 1)。
残差向量: v (1x1) ~ N(0,1)，w (1x1) ~ N(0,1)。并且三者独立。
关键不等式: 检验统计量原为：
\[T = \frac{\bar{X} - \bar{Y}}{\sqrt{S_1^2/n_1 + S_2^2/n_2}}\]
在正交变换和缩放后，所有均值、卡方统计量都被归一。最终，事件 {T ≤ t} 可以被简化为（经过一个依赖于 κ 和样本量的缩放后）：
\[\{ u ≤ t \cdot \sqrt{v^2 + w^2} \}\]
即：一个 1 维的正态变量 ≤ t 倍的两个独立正态变量的欧几里得范数。
几何意义: 此时，(u, v, w) 构成了 R^3 中的点。该事件定义了一个圆锥（锥顶在原点）。在三维空间、D=3 时，单位球面上的楔形 W_t 令人舒服地简化为球冠的一部分！原问题——在高维球面上计算带花哨度规的楔形概率——只需计算三维单位球面上的这部分面积。
调和测度: 在 D=3 时，三维单位球上的 Poission 核和调和测度非常简单。调和测度问题（球面的一个子集的概率）可直接积分，避开任何高维球谐函数。
最终结果:
CDF: 完全 Beta 函数形式变成: F_T(t) = I_{1/(1+t^2)}(1, 1/2) （这里 D=3 => (D-1)/2 = 1）。这正是三维单位球面上一个球冠的面积公式。你可以直接在柱坐标里积分得到：
\[P(u ≤ t*sqrt(v^2+w^2)) = P(u ≤ t*ρ) = \iint_{u ≤ tρ} \frac{1}{4π} dΩ\]
这个积分可被解析为 Beta 函数。
PDF: f_T(t) = 1/(c_κ * B(1/2, 1)) * (1 + t^2/c_κ^2)^{-3/2}。B(1/2, 1) = 2。 => f_T(t) = 1/(2c_κ) * (1 + t^2/c_κ^2)^{-3/2}。
特例的说明:
这个 D=3 的特例揭示了本文的核心: 一旦把均值与残差解耦，T 的比较就变成了均值对总残差的一个线性不等式；该不等式定义一个圆锥；球面概率就是圆锥截得的球面面积；D 仅仅控制了计算该面积的难易度（高维时需要 Gegenbauer 展开），但 “概率 = 球面上的一个楔形面积的比例” 这一核心逻辑在 D=3 时已是完全直观的。一切高维的麻烦仅在于计算更复杂的多维球冠的测度。

第 II 步：最简问题，展现核心数学困难（如果无法用简单特例概括的话）

如果不是特例推广型，那么最简问题是：

命题：给定一个 p 维标准正态向量 Z = (U, V1, ..., V_{p-1})。对于任意阈值 t > 0，定义
\[P(t) = P( U ≤ t * sqrt(V_1^2 + ... + V_{p-1}^2) )\]
求 P(t) 的闭合形式。
难点：这是一个非中心、锥形区域概率。即使 U 和 V_i 都是标准正态，其联合分布的等高线不是椭球，而是锥形。经典的多变量正态累积分布函数方法（直接对椭球积分）不适用——这个区域在空间中是“张开”的。
本文的突破点：认识到 P(t)等于球面 S^{p-1} 上一个特定开集（楔形，W_t）的归一化测度。进一步通过球面分离变量，该问题等价于求解 Laplace 方程在锥形区域上的零 Dirichlet 边值问题。而这个边值问题恰好在 p=2（D=3）时有简单 Beta 函数解，在高维时可通过谱展开（Gegenbauer 级数）得到精确表达式。

三、这篇论文做了什么（本次重心，务必讲透）¶

三句话:
① 研究问题: 求解 Behrens-Fisher 问题中检验统计量 T 在有限样本下的精确抽样分布（cdf 和 pdf）。
② 核心工具/方法: 通过正交分解将 T 的分布问题转换为球面楔形概率的计算；利用调和测度将此概率等同于 Laplace-Dirichlet 边值问题在球心的解；最后在球面楔形上进行变量分离，得到精确的 Beta 函数表达式和 Gegenbauer 级数展开。
③ 主要结论: 1) T 的 CDF 与 PDF 可被完全刻画为仅依赖于样本量 (n1, n2) 和方差比 κ 的 Beta 函数与不完全 Beta 函数的形式。具体而言，CDF F_T(t) = I_{1/(1+τ^2)}( (D-1)/2 , 1/2 ), PDF f_T(t) = 1/(c_κ * B(1/2, (D-1)/2)) * (1 + τ^2)^{-D/2}，其中 τ = t/c_κ。2) T 的分布实际上就是一个 Student t 分布乘以一个尺度因子 c_κ，且自由度为 D-1 = n1 + n2 - 2。这意味着 Behrens-Fisher 统计量的精确分布等价于一个带特殊尺度的 t 分布。
关键设定与假设:
设定回顾: 两独立正态样本，H0: μ1 = μ2，方差 σ1^2, σ2^2 未知且不等（异方差）。
* 最重要的假设 *（也是本文最关键的假设） ：正态性。整个正交分解、球对称化和 PDE/调和测度框架，都高度依赖于观测来自球对称的联合分布。具体表现为标准化的 (ʻm_X, ʻm_Y, ʻr_X, ʻr_Y) 服从球对称的标准正态分布。
相对已有文献: 与 Welch 近似甚至各家近似都一致的是“U≠0 是正态-正态”的条件；本文的新限制在于：从第一步就完全利用了正态性，这是一个比允许近似方法更严格的假设。许多近似方法（如 Welch）在数据轻度偏离正态时仍然有效（稳健），而本文的精确分布是否稳健，作者既未证明也未讨论。相比之下，Welch 方法的推导虽然也使用了正态，但它的实际有效自由度是从样本中估计的，在非正态下仍然能工作；而本文的精确公式如果用在非正态数据上则缺乏理论支持。
方差比 κ: κ 必须作为已知参数条件于分布。虽然 κ 在现实中未知，但最终表达式中显式含有 κ，这意味着：若真正的方差未知，则这个“精确分布”实际上是一族分布，应用的可行性依赖于能否以某种方式处理 κ。作者在 quantile 表格里是通过给定 κ 来计算的。
其他假设: 独立同分布、无缺失值、无有影响离群点。
主要结果：
定理 1 (CDF，式 (4), 32, 33 页)：在给定 κ 下，
\[F_T(t) = I_{1/(1+\tau^2)}\big( (D-1)/2, 1/2 \big), \quad \tau = t / c_κ, \quad D = n_1 + n_2 - 1.\]
- 直觉: 这就是球面楔形 W_t 的面积在单位球面上的比例。其中 τ 决定了楔形的开口角度。1/(1+τ^2) = sin^2 φ_0，正好对应楔形的余角。
- 必要条件: 需已知 κ 用来定义 c_κ。
- 解决的技术难点: 将复杂的卡方积分转化为一个如此简洁的 Beta 函数表达式。
定理 2 (PDF，式 (5), 45 页)：
\[f_T(t) = \frac{1}{c_κ B(1/2, (D-1)/2)} \bigg( 1 + \frac{t^2}{c_κ^2} \bigg)^{-D/2}.\]
- 直觉: 这揭示出 T 的分布严格是一个 Student t 分布的缩放。Student t 分布的 pdf 是 f(t) = C (1 + t^2/ν)^{-(ν+1)/2}。在这里，ν = D-1 = n1 + n2 - 2；c_κ 作为它的尺度参数。作者在论文的数值验证部分也使用了这一等价形式（第 6.3 节）。
- 含义: Behrens-Fisher 问题并非像人们以往认为的那样，是一个只能靠近似来解决的问题，反倒是其精确解的类型是已知的：落在一个很熟悉的分布族里，只是尺度依赖于方差比。
定理 3 (尾部渐近，式(48)(50) 页)：当 t → ∞ 时，
\[1 - F_T(t) ~ \frac{c_κ^{D-1}}{(D-1)B(1/2, (D-1)/2)} t^{-(D-1)}, \quad f_T(t) ~ \frac{c_κ^{D-1}}{B(1/2, (D-1)/2)} t^{-D}.\]
- 直觉: 尾部的指数完美地由自由度 D-1 决定，这是 t 分布尾部的经典形式。缩放因子 c_κ 进入常数项。
- 解决的技术难点: 从不完全 Beta 函数的当参数接近 1 时的展开式给出的。
证明路线与技术技巧（理论型必写，要具体）：
整体路线（3-5步，逻辑主干）:
1. 正交分解（第2节）: 将两样本旋转，分离出能代表 (X̄-Ȳ) 的单变量 u 以及能代表残差 S1^2, S2^2 的独立多元正态向量 (v, w)；这一步将统计量的 numerator 和 denominator 放在正交子空间上，使其在标准化后相互独立。
2. 转化为锥形约束（第3节）: 经过缩放后，事件 {T ≤ t} 等价于 {u ≤ t * sqrt(||v||^2 + ||w||^2)}。由于该约束是正齐次的（相当于一个以原点为顶点的锥），随机向量的方向与长度就分离了。
3. 识别为球面概率（第4节前半）: 因为标准化后的向量是球对称的，锥形区域落在球面上的截口 (W_t) 的面占比直接等于 P(T ≤ t)。至此概率计算变成几何（测度论）问题。
4. 调和测度与 PDE 等价（第4节后半）: 球面区域 W_t 的占比可以写成一个边界值问题的解：在单位球 B^D 内解 Laplace 方程，边界上 W_t 处取 1，其余取 0。那么这个调和函数在球心的值等于 P(T ≤ t)。
5. 分离变量与谱展开得到闭合解（第5-6节）：B^D 上的拉普拉斯算子在球坐标下分解为径向与角向两部分。在楔形 W_t 上施以 Dirichlet 边界条件 (在 W_t 的侧面令函数为 0)，得到一个球面拉普拉斯的特征值问题（Sturm-Liouville 问题）。利用 Gegenbauer 多项式（球谐函数在高维的推广）展开边界数据(为 1 的阶梯函数)，发现仅零阶项 (zonal term) 在球心非零，从而得到 F_T(t) = A_0；积分这个零阶项立即得到闭合 Beta 函数形式。PDF 则通过对 CDF 对 t 微分得到。
关键跳跃点:
- 跳跃点1（确认独立性）: 将均值差异与方差不直接作为随机变量，而是巧妙地通过构造正交基，让它们在随机向量中成为正交分量。这个跳跃是让后续球对称性（因此独立性）变得明显的前提。否则，直接在代数表达式中处理，独立性是浑浊的。
- 跳跃点2（实现齐次性）: 意识到 {u ≤ t * sqrt(||v||^2 + ||w||^2)} 是齐次不等式，从而方向与长度分离。这个跳跃不是自动发生的——它需要前面正确的标准化与使用几何视角。如果不做这个跳跃，直接积分 (3) 式会非常痛苦。
- 跳跃点3（调和测度等式 u(0) = P(Θ ∈ W_t)）: 这里，作者把纯粹的概率测度问题“翻译”成了一个偏微分方程的存在性/唯一性问题：证明了这个的拉普拉斯解存在唯一且等于概率。这个跳跃是对 PDE 工具的一个漂亮“正用”——不是为了寻找一个热传导模型的精确分布，而是反过来，为一个概率量找一个求值的分析工具。
技术技巧点名:
- 正交分解 (Cochran's theorem + 旋转不变性)：用于分离均值方差；定位：第 2 节。
- 球对称性与方向-长度分解 (Spherical-radial decomposition)：利用随机球面向量的均匀性；定位：第 4 节（z = RΘ, R ⊥ Θ）。
- 调和测度与 Poisson Kernel 在球心的恒等性：连接 PDE 与概率测度的桥梁。用到“球平均性质”(Mean Value Property) ，特例是 Poission 公式在 0 点的退化为平均值：u(0) = avg(u on sphere)；定位：第 4 节后半。
- 变量分离与 Gegenbauer (超球面) 多项式展开：处理高维球面楔形的 Laplace 算子的谱分析；定位：第 5-6 节。使用的具体数学是：-Δ_{S^{D-1}} 的特征函数是球谐函数，而轴对称的情形（只依赖 φ，不依赖 ψ, Ω_X, Ω_Y）退化为 Gegenbauer 多项式的 Sturm-Liouville 问题。
- Beta 函数与不完全 Beta 函数的互换与展开：对化简 CDF/PDF 及推导尾部行为必不可少；定位：第 6 节。
真实例子与应用:
本文为纯理论，无真实数据例子。论文第 6.3 节的“Numerical results”明确写道：“the graphs are computed directly from the explicit beta-function... rather than any asymptotic approximation or Monte Carlo simulations.” 它的图 1 和图 2 绘制的是在不同参数 (n1, n2, κ) 下的公式曲线，属于理论验证与分析，而非实际应用。表 1 的比较使用了模拟生成的正态样本来对比精确公式与蒙特卡洛模拟的 Welch 方法。因此，本文不含任何真实世界的观测数据。这部分用于验证的是：公式计算出的 quantile 间接验证与经典的 Welch Monte Carlo 逼近非常接近，从而确保公式是正确的。
结论是否比证明窄:
核心结论准确：CDF 和 PDF 的 Beta 函数表达式是从调和测度 + 球对称性严格推导而来的，没有额外的假设。结论即证明的准确结果。
某些表述可被视为比证明内容更宽泛的 claim：
- 引言结尾处声称该方法“suggests corresponding analogues for elliptical families”。但整个论文的证明建立在高斯球对称性的基础上。对于非高斯椭球族（比如 t 分布、广义椭圆分布），联合分布不再是球对称的，因此：1）方向 Θ 不再是均匀的，且与 R 不独立；2) 即使方向-长度独立，也不再可能简单地做一个变换就回到球面匀称测度。这仅仅是一个“推测”，没有在文中任何地方被证明。作者在结论里承认这是一个“方向”，但它在引言里的提法带有更强的声称性。
- 对称性说“The same framework also opens avenues beyond the classical normal case (e.g., elliptical laws via anisotropic Laplacians)”——这属于高度推测性语言。文中未展开任何关于各向异性拉普拉斯算子的定义、推导或应用。它更像是未来工作思路，但被放进了引言/结论。

四、开放问题（点到为止，扎根具体语句）¶

稳健性问题：本文的所有精确公式建基于正态假设之上。如果数据来自厚尾或轻度污染分布，这些精确公式是否还可用？本文给出的 CDF 和 PDF 会不会被被严重歪曲？扎根点：引言“Consider two independent random samples... drawn from two normal populations”是第一句话，设下了全局正态假定；全文没有讨论任何偏离正态时的行为。这是一个重大开放缺口：如何将本文的几何-PDE 思路扩展到非高斯情况。
方差比 κ 未知时的实用化：本文给出的精确分布是条件于 κ 的。但在实际应用中，κ = σ1^2/σ2^2 是未知的。尽管作者在第 6.3 节比较了不同 κ 下的临界值，但他们从未讨论如何通过数据推断 κ 以及检验怎样保持其精确性（类似于用估计的 κ 代入公式这种“插件法”在统计推断中的性质）。扎根点：结论第 2 句提到“The quantile tables indicate that... the exact finite-sample critical values are in close proximity to the Welch–Satterthwaite approximation”——恰恰是这一比较，侧面说明没有给出“无需知道 κ 就能做检验”的实用方案，反而显示了 Welch 在已集成此未知性上的优势。
高维扩展与非对称推广：设 n1 → ∞ 且 n2 → ∞ 但 n1/n2 固定，分布趋于闭式正态，这个性质已有。但高维 Behrens-Fisher（如 Gong et al. 或本文引用的高维扩展文献中 p > n 的情形）中本文的框架完全不适用的，因为本方法严重依赖于观察数 n_i 的定义（直接用残差维度构造球面）。扎根点：引言中的参考文献中基本都是独立点方法；而且 D 的定义直接就是 n1 + n2 - 1，当 n_i 被 p 取代时没有直接对应。这是一个未被触及的方向。
Inferential Control of κ：如果我们将 κ 视为未知杂散参数，那真正的精确分布应该是 F_T(t) = ∫ F_T(t|κ) π(κ) dκ（积分掉 κ 的贝叶斯解）或采用某种似然比或 profile 方法。本文没有推荐一种对 κ 的 inference 方式，也没有给出不依赖 κ 的检验统计量的精确分布。如何将 c_κ 以某种“构造的自由度”方式联合地处理，是一个完整的未来方向，且并未在本文中出现。扎根点：第 6.3 节的表是给定 κ 后把 τ = t/c_κ 直接匹配到 t_{ν, p} 的公式，但在实际操作中没有这个前提。

Maintained by 陈星宇 · Homepage · Source on GitHub