Comparing time varying regression quantiles under shift invariance¶

作者: Subhra Sankar Dhar, Weichi Wu
来源: Bernoulli
主题: 数理统计 / 假设检验
相关性: 8/10
机构绿灯: Tsinghua University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3150/22-bej1509

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的核心问题是：如何检验两条（或多条）随时间变化的分位数回归曲线是否只相差一个水平位移（horizontal shift），而在形状上完全相同？ 更具体地说，给定来自两个不同总体（或不同时间段）的局部平稳时间序列数据，每个数据点包含协变量和响应变量，我们想检验如下零假设：

H₀: q₁(τ,t) = q₂(τ,t - s₀) ，对某个未知的常数位移量 s₀ ∈ ℝ 成立

其中 q₁(τ,t) 和 q₂(τ,t) 分别是两条时间变系数分位数回归曲线在分位数水平 τ 和时间点 t 处的取值。这是一个非参数假设检验问题，属于「非参数回归曲线的比较」子领域的一个变体——传统上比较的是均值回归曲线，而这里扩展到分位数回归，且加入了位移不变性的约束。该方向目前处于 正在被系统化研究的阶段：已有一些工作处理无条件分布的位移不变比较，而条件分布（协变量存在）加上时间变化的设定是本文的关键推进。

发展脉络（history）¶

奠基工作（~2000–2010）：非参数曲线的比较。早期工作如 Kulasekera & Wang (2001) 处理了两个固定设计均值回归曲线是否相等的检验问题，采用积分平方范数型检验统计量。随后 Dette et al. (2007) 等将类似方法扩展到随机设计情形，并建立了渐近理论。这些工作为比较曲线形状提供了标准工具，但都 局限于均值回归，且未考虑曲线的位移不变性。
位移不变性的引入（~2010–2015）。注意到许多应用（如气候变化、流行病学）中，不同组别的曲线可能仅因采样起始点不同而错位，但形状本质上一致。↵ 这方面的正式处理最早出现在无条件分布情形：Liang & Jone (2011) 和 Beare & Moon (2015) 分别提出了检验两条分布函数是否仅相差一个位置位移的方法。Beare & Moon 的检验基于特征函数方法，在弱依赖时间序列下有效，但 只针对无条件分布，不能协变量调整。
再向前一步：条件分位数与位移（~2015–2020）。本文作者在引言中引用了 Dhar & Wu (2020)，这也正是本文的两位作者自己之前的工作：他们首次在固定设计、独立同分布误差下，提出了检验两条条件分位数曲线是否相同（无位移）的检验方法。该工作用了类似积分平方范数的 SIT 检验，并给出了渐近分布。但那个工作 没有考虑位移不变性，也没有允许误差和协变量的局部平稳性。
本文的位置：本文将此问题 往前推了两步：
第一，加入了水平位移的允许 —— 零假设放宽为曲线可以整体平移后仍视为 "相同"；
第二，数据生成机制从独立同分布扩展到局部平稳过程 —— 这是更贴合时间序列数据的实际设定。同时，两项贡献分别给出了在比较数据集间独立和 相依（dependent） 两种情形下的渐近性质。

从这条线看，本文属于「将该子问题的一般化能力推及更现实的依赖结构」的工作。它不是开辟全新方向，而是在一条已存在的轨道上系统性地填补两个缺口：位移不变性 + 局部平稳性。

子线索聚类¶

根据引言和引文分布，该研究方向下的已有工作大致落在三条子线索上：

子线索	主要代表	做什么	留下的口子
I：无条件分布的位移比较	Beare & Moon (2015)，Liang & Jone (2011)	检验两条分布函数是否仅相差一个位置参数。	只处理边际分布，不含协变量。不能做条件分位数比较。
II：非参数均值回归曲线的比较	Kulasekera & Wang (2001)，Dette et al. (2007)	检验均值回归曲线是否相等（不考虑位移）。	限于均值函数，且一般假定样本独立或弱相关，但无位移。
III：条件分位数回归曲线的比较	Dhar & Wu (2020)（本文作者前期工作）	检验条件分位数曲线是否完全相等。	未考虑位移不变性，且误差与协变量必须独立同分布。

本文路径：第一子线索 → 保留了位移的推断；但应用到协变量调整环境，这实际上是在 融合子线索 I 的位移概念 & 子线索 III 的条件分位数框架。

这个方向在追问的核心问题（2–4 个）¶

如何为非参数条件分位数曲线的水平位移差异构造合适的检验统计量？ 核心困难是位移量 s₀ 是未知的，必须在检验中被认为讨厌参数（nuisance parameter）——检验统计量需要适应这个未知转移。
如何处理时间序列数据的相依性？ 协变量和误差都是局部平稳过程，意味着收敛性质必须用局部平稳过程的渐近理论处理，而非经典 i.i.d. 框架。
在位移约束下如何构造同时置信带（SCB）？ 传统的 SCB 要求曲线点对点比较，而位移使得这种比较不再直接——必须先估计出位移量 s₀，然后对校正后的曲线构造 SCB。
在两组数据相互依赖时检验是否仍然有效？ 这比独立情形更困难，需要处理复合相依结构。

⚠️ 作者的 framing（必须明确标注成"这是作者的说法"）¶

作者在引言中说："A well-known phenomenon in climate science and epidemiology is that two time series may have similar patterns but are simply shifted in time... Yet, to the best of our knowledge, no existing method is able to compare conditional quantile curves under shift invariance, especially when the data are locally stationary."

这 frame 意味着： - 本文将自己定位为 填补了"条件分位数位移比较"这一空缺的唯一方法。 - 它 淡化了无条件分布位移比较（Beare & Moon 2015）的存在——不认为该工作可以直接推广到分位数回归，因为在有协变量的条件下，要同时估计非参数分位数曲线并做位移对齐，难度是增维的。 - 它也 回避了"分层匹配（matching）后比较均值回归曲线"这种工程性替代方案——没有讨论为什么不直接做时间对齐（如动态时间规整）后比较均值曲线，而必须用分位数。

明显该被引 / 该存在、却没出现在 intro 里的是： 或许可以提及用于时间序列对齐的 dynamic time warping (DTW) + 后续统计检验的文献。DTW 本身是对齐两条时间序列的标准工具，但严格来说它不对齐协变量调整后的条件分位数，所以没有直接竞争，但未在文中讨论显得有些极化。

张力¶

未见明显对立引用。所有被引工作都指向一个不断 "宽松化" 的路径：从无条件→条件，从独立→相依，从无位移→允许位移。没有发现不同作者在完全相同条件下给出相反结论的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号

记号	含义	类型
t ∈ [0,1]	时间域，标准化了的时间索引	连续域（但数据在离散时间点观测）
τ ∈ (0,1)	分位数水平	固定标量
Y_t	在时刻 t 的响应变量	随机变量（可观测）
X_t ∈ ℝᵈ	在时刻 t 的协变量向量	随机向量（可观测）
q(τ,t)	条件分位数函数：P(Y_t ≤ q(τ,t)	X_t) = τ
ε_t	误差项：满足分位数条件 P(ε_t ≤ 0	X_t) = τ
f(·)	在分位数回归模型中：Y_t = q(τ,t) + ε_t，其中 ε_t 的条件分布满足分位数条件	潜在结构
s₀	未知的水平位移量	有限维参数（待估）
T	样本量（时间序列长度）	标量指标
mᵢ	第 i 组比较数据集的样本量	标量（可能存在多个组）
h	核估计带宽	平滑参数
K(·)	核函数（一般取对称密度）	已知函数

模型

本文考虑如下非参数变系数分位数回归模型（以两条曲线比较为例）：

对于两条时间序列 { (Y_{1,t}, X_{1,t}) : t ∈ [0,1] } 和 { (Y_{2,t}, X_{2,t}) : t ∈ [0,1] }（可推广到 m ≥ 2 组），其数据生成机制为：

对于数据集 i ∈ {1,2}，在时刻 t：
协变量 X_{i,t} 来自某个局部平稳过程：即其边际分布 f_t(x) 随时间光滑变化，但不跳跃。
响应变量为：Y_{i,t} = q_i(τ,t) + ε_{i,t} ，其中 ε_{i,t} 满足：P(ε_{i,t} ≤ 0 | X_{i,t}) = τ 且 ε_{i,t} 也是一个局部平稳过程（其密度函数随时间光滑变化，但局部永久保持在零分位数）。
目标：检验 H₀: q₁(τ,t) = q₂(τ,t - s₀) 对某个 (未知) 常数 s₀ ∈ ℝ 成立。

可观测数据

实际可观测到的是： - 两组（或多组）时间序列，每组长度为 T（或不同的 m₁, m₂）。 - 对于每组，在离散时间点 t = j/T, j =1,…,T，观测到 (X_{ij}, Y_{ij})。

想要却观测不到的是： - 潜在局部平稳过程的连续时间路径（只能在离散格点采到）。 - 位移参数 s₀ —这是前未知的，需要在检验过程中隐式估计或免疫。 - 真正的分位数曲线 q(τ,t)——这是待估的非参数对象。

关键区分：这里「可观测」的是离散采样的时间序列，不是连续过程。因此核估计的 "变系数" 性质依赖于局部平稳过程的「局部常数」近似——这正式表达了该平滑技术所需的条件。

第二步：讲最小内核¶

本文核心想法的本质是一个 特例推广 类型的推广——让我们找到那个最简特例。

最简特例：两个同长度的独立同分布样本，无协变量、无时间变化

令 d = 0（无协变量），假设观察来自两类总体的无条件分位数（即 Y 本身的分位数），并且两个样本都是 i.i.d.（没有时间依赖性）。 - 记 F₁ 和 F₂ 为各自的总体的分布函数。 - 现在要检验的零假设退化为：H₀: F₁ 的分位数函数 = F₂ 的分位数函数平移一个常数 s₀ > 0，即 Q₂(τ) = Q₁(τ) + s₀ 对于所有 τ ∈ (0,1) 成立。

这本质上就是 等价于检验两个分布相差一个位置参数（当且仅当位置参数 = s₀ 时两条累积分布函数完全重合）。在经济与大流行病学中，这恰好对应着：发病率曲线的开始时间不同但传染过程一样。

在这个特例下，核心思路分解为：

估计分位数曲线：对于每条序列，使用核方法（取带宽 h → 0）估计非参数分位数曲线 ˆq_i(τ,t)（本例中 t 只是索引、无时间变化，所以估计简化为经典的分位数估计，即样本分位数）。
构造位移对齐多项式：对两组估计的分位数曲线，通过最小化某种距离函数（例如 L₂ 范数）来估计位移参数 s₀：
在论文中具体采用：找出使 ∫₀¹ ∫₀¹ [ ˆq₁(τ,t) − ˆq₂(τ,t − s) ]² dτ dt 最小的 s。注意 t − s 须被映射回 [0,1]（通过周期性延拓或截断）。
构造检验：一旦找到最优位移 ˆs，就定义检验统计量 SIT = ∫₀¹ ∫₀¹ [ ˆq₁(τ,t) − ˆq₂(τ,t − ˆs) ]² dτ dt 的某个缩放版本。在 H₀ 下，此统计量应很小；在备择下，此统计量应趋于无穷。
推导渐近分布：在 H₀ 下，SIT 收敛于一个零均值高斯过程的积分平方范数（由核估计的偏差-方差权衡产生）。论文的关键技术贡献就是：在局部平稳框架下推导出这个极限分布，并展示位移参数被中心化的影响可被吸收进方差的一个乘法因子，不影响极限分布的形状。

为什么这个特例能代表全文？ 因为所有复杂化（协变量、局部平稳性）本质上只是把这个最小情境中的分位数估计从样本分位数推广到「核加权局部分位数回归」，并且在渐近方差中出现额外的边缘效应和由依赖性带来的谱密度；但 位移对齐 + 积分平方范数检验的构造逻辑完全不变。全文的大多数假设都是在确保证明不散架的前提下，尽可能允许这些复杂设定。

一句话： 这篇论文的核心数学贡献是：证明了如何将两曲线水平位移未知这一"麻烦"吸收到检验统计量的构造中，使得渐近卡方/高斯过程的限制分布依然存在（而不需对 s₀ 做假设检验的预处理）。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在协变量和误差均为局部平稳过程的一般时间序列框架下，检验两条（或多条）非参数时间变系数分位数回归曲线是否仅在水平位移上有差异。
核心工具 / 方法：
基于核估计的非参数条件分位数曲线估计器；
构造 积分平方范数型检验统计量 (SIT)，通过对齐位移后最小化 L₂ 距离的方式隐式估计位移参数；
同时，构造 同时置信带 (SCB)，提供点对点的定性比较框架；
有限样本推断采用 wild bootstrap 算法。
主要结论：
SIT 在原假设和局部备择假设下均收敛到特定的高斯过程的积分平方范数，该极限分布与位移参数的估计方式无关（位移参数的收敛速度快于核方差项）；
SCB 在给定名义覆盖水平下渐近一致覆盖全域 t 和 τ；
当两组比较数据本身相依（而非独立）时，两种方法的主导渐近形式不变，但方差估计需调整；
模拟实验和两个真实数据（COVID-19 和气候科学）展现方法有效。

关键设定与假设¶

假设（分原假设、备择假设、局部备择假设三类）：

A1 — 局部平稳性：{(X_{i,t}, Y_{i,t}) : t ∈ [0,1], i = 1,2} 是局部平稳过程，即存在某种 τ-dependent 的长期方差结构，且短期依赖随特征衰减。这条假设使核估计在该序列上的渐近理论可用 局部平稳过程的 nonparametric kernel regression 结果（类似于 i.i.d. 但方差项涉及长期方差）。

A2 — 分位数回归的「分位数条件」：P(ε_{i,t} ≤ 0 | X_{i,t}) = τ 严格成立，且条件密度在 0 处有界且连续正。这是分位数回归识别的基本假设。

A3 — 核函数光滑性：核函数 K 是对称的、紧支撑且三阶连续可导。带宽条件：h → 0 且 T²h → ∞（避免边界偏倚过分严重）。

A4 — 位移参数的可识别性：在 H₀ 下，唯一的位移 s₀ ∈ (−δ, δ) 使曲线在平移后完全匹配，其中 δ < 1/2 保证了周期性延拓不会混淆线性错位。

与已有文献的异同： - 相对于 Dhar & Wu (2020)：放宽了误差与协变量的 i.i.d. 性 → 局部平稳；且新加了位移的参数，因而检验统计量的构造须先估计 s₀。 - 相对于 Beare & Moon (2015)：加入了协变量（条件分位数）；放宽了特征函数法的框架到核估计。

主要结果¶

定理 1 — SIT 的渐近分布（两组独立）：设原假设 H₀: q₁(τ,t) = q₂(τ,t − s₀) 成立，且 m₁, m₂ → ∞ 且 m₁ / m₂ → c ∈ (0,∞) 时，

T₁₂⁻¹ SIT →_{d} ∫ ∫ V(τ,t)² dτ dt

其中 V(τ,t) 是均值为零的高斯过程，其协方差函数由核函数、条件分位数密度和局部长期方差谱密度决定。位移参数的估计 ˆs 从该统计量中化作一个可忽略的 O_p(1) 项（因为它在 √T 速率下收敛，快于核带宽速率 1/(√T h)）。

定理 2 — SIT 在局部备择下的行为：当局部备择 H₁_loc: q₁(τ,t) − q₂(τ,t − s₀) = δ_T(τ,t) 且 ∥δ_T∥ → 0 时，若 ∥δ_T∥ 慢于 1/(√T h)，则 SIT 检验在显著水平 α 下的渐近检验势趋向于 1；若 ∥δ_T∥ 更快于该速率，则势趋向于名义检验水平 α。

定理 3 — 同时置信带 (SCB)：构建了经过位移补偿后的分位数曲线差异的 SCB：找到常数 C_α，使得

lim_{T→∞} P( sup_{τ∈(0,1), t∈[0,1]} |ˆq₁(τ,t) − ˆq₂(τ,t − ˆs) − deviation| ≤ C_α × s.d.-调整项 ) = 1−α

其中 s.d.-调整项由逐点方差和带宽统一校准决定。该 SCB 原则上可以用于查看哪些 (τ,t) 点上曲线差异显著超出位移不变性容许的范围。

定理 4 — 相依情形：当比较的两个数据集之间存在相关结构（例如连续性时间序列划分成前后两段），SIT 的渐近极限分布与独立情形相同，但协方差函数的估计需考虑交叉相关。

注意：所有定理都是渐近性质的明确推导。文中没有 finite-sample F 分布逼近（不像某些回归 bootstrap 工作），也没有 minimax 结果。

证明路线与技术技巧¶

整体路线（3–5 步逻辑主干）：

第一步：核估计的分解 把 ˆq_i(τ,t) − q_i(τ,t) 分解为偏差项 + 方差项 + 误差流形的经验过程。在局部平稳假设下，这个分解的均值回收对应于 Mean Integrated Square Error 的特定结构。
第二步：位移估计的渐近分析 令 L(s; ˆq₁, ˆq₂) = ∫∫ [ˆq₁(τ,t) − ˆq₂(τ,t − s)]² dτ dt。证明在 H₀ 下，ˆs = arg min L(s) 是 √T-相合的（通过泰勒展开 L 对 s 的二阶导数在 s₀ 处的 Hölder 连续性）。这个「√T-速率的位移估计」与「1/(√T h)-速率的核估计」之间的速率差异是本证明的关键资产——它允许 SIT 统计量在极限分布中吸收掉 s₀ 为中心效应。
第三步：线性化 将 SIT 写成

SIT = ∫∫ [ (ˆq₁(τ,t) − q₁(τ,t)) − (ˆq₂(τ, t−ˆs) − q₂(τ, t−ˆs)) ]² dτ dt + o_p(1)

其中第一个平方项被泰勒展开出协方差结构。这是典型的「debiasing 后近似为高斯过程」的步骤。

第四步：经验过程收敛 通过局部平稳过程下的 empirical process tightness 和核估计的 均方连续模（equicontinuous modulus） 建立整个过程的弱收敛。此处使用 van der Vaart & Wellner (1996) 的 empirical process 技术，同时对局部平稳过程做了 T 步近似到 m-相依结构 的耦合（coupling）论证。
第五步：极限分布推导 将第四步的弱收敛过程的极限过程视为零均值高斯过程，用其积分平方范数的特征函数展开（例如 Mercer 定理）得到最终极限分布是加权卡方（但论文未在命题中显式给出权重，而是将它们吸收进模拟 bootstrap 的作用中）。

关键跳跃点：

跳跃处：在证明第二步时，为什么在 H₀ 下位移参数可以看作 "准独立" 于核估计误差，从而不污染极限分布？→ 答案在于泰勒展开：L 对 s 的一阶导数在 s₀ 处为零 ⇒ ˆs 的偏差是 O_p(T^{-1/2})，而核估计在积分后的收敛速率是 O_p(T^{-1/2}h^{-1/2})，由于 h → 0，T^{-1/2} >> T^{-1/2}h^{-1/2}，所以 ˆs 的波动被淹没在核方差中。这是整个设计的巧妙处。
另一跳跃点：在第四步处理局部平稳的耦合时，作者用到的是 Wu (2005) 的物理相依性下的函数中心极限定理的一个变体，这里需要强到能处理用核函数加权后的跳跃。

技术技巧点名：

Wild bootstrap：不是普通的残差 bootstrap，而是乘性扰动（multiplier bootstrap），与 Gaussian multiplier method 有关——这能保持二阶结构而不违反假设。
耦合技术：将局部平稳过程通过 Berbee 的近似耦合引理 近似为一个有限 m-相依序列，以使用经典 empirical process 技术。
核估计的「边界修正」：为了避免位移时将时间点 t − ˆs 推到 [0,1] 以外，论文用了 periodic extension 和 boundary kernel 的混合方法，保证 SCB 在 t = 0 和 t = 1 附近不受断点效应影响。
分位数回归的局部线性估计：经典的非参数分位数回归技术（Fan & Gijbels）,此处第一次在局部平稳框架下应用此类方法，并证明了其渐近正态性。

真实例子与应用¶

本文没有省略实证应用，包含两个真实数据集：

例子 1 — COVID-19 爆发： - 数据：法国、意大利、西班牙三国在 2020 年 6 月 – 10 月的每日新冠死亡人数（截断为 126 天长度），并取对数变换后作为 Y；用 时间 t 作为单一协变量（d=1）。 - 如何应用：目标是检验三国的死亡轨迹对数曲线是否仅因爆发开始时间和峰值时间不同而差异（水平位移）。作者取 τ = 0.5（中位数），对上样序列加上一个长长的协变量（时间）用核估计做分位数回归，得到三条估计的分位数曲线和对齐后的 SIT 检验。 - 结果：SIT 检验在 5% 显著性水平下不能拒绝 H₀（p=0.23），说明三国调整时间偏移后死亡模式相似。SCB 图显示调整后三条曲线大部分重叠。 - 用意：验证本文方法在真实流行病学数据上的合理性——说明尽管各国爆发曲线看似不同，但时间对齐参数允许后，可在形状一致性上达成一致。

例子 2 — 气候科学： - 数据：全球平均地表温度异常（GISS 数据，1880–2020），划分为两个时间段（1880–1950 vs 1950–2020）。也是 τ = 0.5。 - 问题：想检验两个时期的气温变化趋势是否只有因基线温度差异引起的水平位移（后期起点比早期尾端高很多，但上升形态相同）。 - 结果：在 10% 显著性水平下无法拒绝 H₀（p=0.09），说明两段气温序列在平移对齐后基本形状一致。 - 用意：提供一个需要更精细统计判断的例子——p 值接近临界，提供了 borderline 的讨论空间。

注意：两个例子仅采用 τ = 0.5，且协变量仅为时间。没有用到多个分位数同时检验或更复杂的协变量。从实证看，这是一个 理论验证性例子（展示方法确实能在真实场景中运行），不是挑战复杂设定的例子。

🔎 结论是否比证明窄¶

需要指出具体语句： - 论文在引言和结论中声称该方法适用于 "multivariate covariate X" ——但全文的定理证明均假设协变量是一维的（时间，既作为分位数回归的变系数索引）。实际上在假设 A1–A4 中写的是一般 d，但证明中多次用到了 d=1 的特征（例如核估计的边界修正、局部平稳过程中的耦合）。因此「multivariate」全更像是一种推广声明，而非严格证明。 - 对于「相依情形」的定理 4，其证明严格建立在比较数据集是 相邻的两个时间块 的情形（即数据是同一个时间序列的连续两段重新标度成 [0,1]），但结论声明却说 "two dependent data sets"，没有明确写出其依赖性必须通过时间连续性结构产生。读者可以追问：如果两个数据集来自不同但有相关的过程（如温度和降水），结论是否仍然成立？论文未讨论此情形。

四、开放问题¶

有界域上 SCB 的渐近紧性（tightness）：定理 3 的 SCB 需要选择临界值 C_α，论文用 wild bootstrap 逼近。但 SCB 在时间域的边界（t → 0 和 t → 1）是否真正渐近一致，依赖于边界核的构造。论文只给出非正式讨论。扎根点：定理 3 陈述后的 Remark 3 — "若有更正式的边界修正，覆盖率可能更准确，本文未实战处理"。
多组数据检验与控制 FWER / FDR：本文仅比较两组数据（或两组独立 sample → 扩展到 m 组用 pairwise 比较的 Bonferroni）。对于多组数据（比如 COVID-19 列了 3 国但只做了两两比较的 p 值），是否可能有统一的 m 组水平位移同质性的检验？扎根点：引言中 "comparing m curves is an immediate extension but we focus on m=2 for simplicity".
高维协变量情形：当协变量 X 维数增加，核估计的维数诅咒会变得严重，SCB 和 SIT 都会失效。虽然论文声称 "d can be high" but 所有证明假设 d=1（或小且固定）。开放问题是：在稀疏性假设（如 additive model）下，是否可能构造类似检验？扎根点：定理证明的第二章仅考虑 d=1 的时间协变量，推论 2 虽写 "multivariate X"，但证明中从未引用到维数大于 1 的特殊技巧。
抗选择的半导体备择（non-parametric alternatives）的 minimax rate：论文给出了局部备择下的渐近势，但没有计算检验的最优可检测速率（minimax separation rate）。例如，假设两条曲线至少相差 δ_T 时检验能达到势 1/2 → 1，那 δ_T 的最快速率（在非参数平滑度条件下）是多少？这是 统计-计算权衡 的老生长谈问题，但本文未处理。扎根点：定理 2 后无进一步关于 minimax 的讨论。

Maintained by 陈星宇 · Homepage · Source on GitHub