跳转至

Testing for the Markov property in time series via deep conditional generative learning

作者: Yunzhe Zhou, Chengchun Shi, Lexin Li, Qiwei Yao
来源: Journal of the Royal Statistical Society Series B
主题: 数理统计 / 假设检验
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：如何在不假设参数模型（如 AR(p)）的前提下，检验一个时间序列是否满足马尔可夫性（即当前状态只依赖于最近有限个过去状态），并推断出这个依赖阶数（Markov order）。这是一个经典的非参数假设检验问题，其核心困难在于：条件密度（或条件分布）的非参数估计在高维（即过去状态维度高）时面临“维数灾难”，且检验统计量的渐近分布难以推导。当前该方向的成熟度处于“方法多样但各有瓶颈”的阶段——经典方法（如基于经验分布或核密度估计）受限于低维或强假设，而近年深度生成模型的发展为高维条件密度估计提供了新工具，但将其系统性地嵌入假设检验框架并建立理论保证的工作尚属空白。

发展脉络（history）

  1. 奠基工作：经典非参数检验。早期工作主要基于经验分布函数或核密度估计来构造检验统计量。例如，基于经验分布函数的 Kolmogorov-Smirnov 型检验（如用于 i.i.d. 数据的经典方法）被推广到时间序列，但通常要求低维（如检验一阶马尔可夫性时，过去状态维度为 1）或强混合条件。这些方法在高维下因维数灾难而失效。

  2. 主要进展：基于条件密度估计的检验。一个自然的思路是：如果序列是 L 阶马尔可夫的，那么条件密度 f(X_t | X_{t-1}, ..., X_{t-L}) 应等于 f(X_t | X_{t-1}, ..., X_{t-L-1})。因此，检验马尔可夫性等价于检验两个条件密度是否相等。这催生了一系列基于非参数条件密度估计的方法，如核密度估计、局部多项式等。然而，这些方法在高维（L 大或 X_t 本身高维）时，估计精度和检验功效迅速下降。

  3. 当前 frontier：深度生成学习 + 双稳健估计。本文是这一前沿的代表。它利用深度条件生成模型（如混合密度网络 MDN、条件生成对抗网络 cGAN、条件变分自编码器 CVAE）来估计高维条件密度，并巧妙构造了一个双稳健（doubly robust）检验统计量。该统计量的核心思想是：即使条件密度估计有偏差（只要偏差以特定方式被“抵消”），检验统计量仍能收敛到参数速率。这借鉴了因果推断中双稳健估计的思想（如 Farrell et al., 2021; Luedtke & van der Laan, 2016），但将其首次应用于马尔可夫性检验。同时，本文采用样本分割（sample splitting）和交叉拟合（cross-fitting） 技术，最小化了一致性所需的假设条件（如对混合系数的要求），这是对 Chernozhukov et al. (2013) 等关于高维高斯近似和乘子 bootstrap 工作的直接应用和扩展。

  4. 本文的位置：本文是第一个将深度条件生成学习与双稳健估计结合，用于高维时间序列马尔可夫性非参数检验的工作。它填补了“高维条件密度估计”与“非参数假设检验”之间的方法论空白，并提供了完整的理论保证（第一类错误控制、功效趋于 1、逼近误差上界）。

子线索聚类

这些被引文献大致落在以下 3 条子线索上：

  1. 条件密度估计与深度生成模型：这是本文方法的核心工具。包括：

    • 混合密度网络 (MDN)：Bishop (1994) 提出，Koohabbani et al. (2018) 和 Rothfuss et al. (2019) 展示了其在条件密度估计中的性能。本文将其作为主要估计器之一。
    • 条件生成对抗网络 (cGAN)：Mirza & Osindero (2014) 提出，Wang et al. (2018) 等展示了其在图像生成中的应用。本文将其作为另一种估计器。
    • 条件变分自编码器 (CVAE)：Shu et al. (2016) 提出，Yan et al. (2015) 等展示了其应用。
    • 归一化流 (Normalizing Flows)：Kobyzev et al. (2020) 综述。本文提及但未作为主要方法。
    • 理论支撑：Liang (2021) 研究了 GAN 学习分布的收敛速率；Zhou et al. (2022) 提出了条件采样的深度生成方法；Imaizumi & Fukumizu (2019) 证明了 DNN 对非光滑函数的逼近能力。本文引用了这些工作来支撑其深度估计器的理论性质。

  2. 高维统计推断与乘子 Bootstrap：这是本文检验统计量渐近分布推导和临界值计算的基础。

    • 高维高斯近似：Chernozhukov et al. (2013) 建立了高维随机向量和的极大值的高斯近似理论。本文直接引用该结果来证明其检验统计量在零假设下收敛到高斯过程的最大值。
    • 乘子 Bootstrap：Belloni & Oliveira (2018) 提出了高维乘子 bootstrap 方法。本文使用该方法来估计临界值，避免了直接估计渐近分布的复杂性。
    • 局部 Rademacher 复杂度：Bartlett et al. (2005) 为 i.i.d. 数据建立了局部 Rademacher 复杂度理论。本文将其推广到 β-混合时间序列（Lemma 5），用于控制深度估计器的经验风险。

  3. 双稳健估计与交叉拟合：这是本文统计量设计的核心思想来源。

    • 双稳健估计：Farrell et al. (2021) 和 Luedtke & van der Laan (2016) 在因果推断中发展了双稳健估计，允许第一阶段的非参数估计以较慢速率收敛，而第二阶段的参数估计仍能达到根号 n 速率。本文借鉴了这一思想，构造了双稳健检验统计量。
    • 交叉拟合：本文采用交叉拟合来避免样本分割带来的效率损失，并放松了对估计器一致性的要求。这是双稳健估计文献中的标准做法。

这个方向在追问的核心问题

  1. 如何在高维下有效估计条件密度？ 经典核方法受维数灾难困扰。深度生成模型提供了强大的工具，但其理论性质（如逼近误差、估计误差）在时间序列设定下尚不清晰。
  2. 如何构造一个对条件密度估计误差不敏感的检验统计量？ 如果检验统计量直接依赖于条件密度估计，那么估计误差会直接传递到检验中，导致第一类错误膨胀或功效下降。双稳健设计是解决这一问题的关键思路。
  3. 如何在高维时间序列下推导检验统计量的渐近分布？ 时间序列的依赖结构（如混合性）使得经典的中心极限定理和高斯近似理论需要推广。高维乘子 bootstrap 是处理这一问题的有效工具。
  4. 如何确定马尔可夫阶数？ 这通常通过序贯检验（从低阶到高阶）或信息准则（如 AIC、BIC）实现。本文采用序贯检验，但信息准则在高维非参数设定下的理论性质也是一个开放问题。

⚠️ 作者的 framing

作者将缺口 frame 成：“现有马尔可夫性检验方法要么限于低维（如核方法），要么依赖参数模型（如 AR 模型），而深度生成模型虽能处理高维条件密度估计，但尚未被系统性地用于假设检验。本文首次将两者结合，并利用双稳健估计和交叉拟合，实现了高维下的有效非参数检验。”

被淡化或回避的竞争路线： - 基于信息准则的方法（如 AIC、BIC 用于确定 Markov 阶数）被完全回避。作者可能认为这些方法在高维非参数设定下缺乏理论保证，且不直接提供假设检验的 p 值。 - 基于核方法的检验（如基于核条件密度估计的检验）被提及为“受维数灾难困扰”，但未详细比较。作者可能认为这些方法在低维下仍有优势，但本文聚焦高维。 - 基于距离相关性的检验（如检验 X_t 与 X_{t-L-1} 在给定 X_{t-1},...,X_{t-L} 下的条件独立性）未被提及。这是一个潜在的竞争路线，但可能在高维下也面临挑战。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 关于条件独立性检验的文献：马尔可夫性本质上是一个条件独立性假设。检验条件独立性的文献（如基于核条件独立性检验、基于随机森林的条件独立性检验）应该被引用和讨论，但本文 intro 中未出现。这可能是作者有意聚焦于“条件密度相等”这一更直接的检验框架，但回避了条件独立性检验这一更广泛的文献。（值得研究者去查的问题：条件独立性检验方法能否直接用于马尔可夫性检验？其与本文方法的优劣如何？）

张力

未见明显对立引用。被引工作之间在方法论上互补（深度生成 vs. 高维推断 vs. 双稳健估计），而非矛盾。

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：

    • \( \{X_t\}_{t=1}^T \)：一个长度为 \( T \) 的平稳时间序列。\( X_t \) 可以是标量或向量（高维）。
    • \( L \)：待检验的马尔可夫阶数（假设值）。例如，检验一阶马尔可夫性时 \( L=1 \)。
    • \( \mathcal{F}_{t-1}^{(L)} = (X_{t-1}, X_{t-2}, ..., X_{t-L}) \)：\( t \) 时刻之前的 \( L \) 个历史观测。
    • \( f(x_t | \mathcal{F}_{t-1}^{(L)}) \)：给定 \( L \) 阶历史下 \( X_t \) 的条件密度。这是核心的未知参数（非参数）。
    • \( \hat{f}(x_t | \mathcal{F}_{t-1}^{(L)}) \)：对上述条件密度的估计（通过深度生成模型）。
    • \( H_0: f(x_t | \mathcal{F}_{t-1}^{(L)}) = f(x_t | \mathcal{F}_{t-1}^{(L+1)}) \) 几乎处处成立。即，序列是 \( L \) 阶马尔可夫的（再多一阶历史没有额外信息）。
    • \( H_1: \) 上述等式不成立。
    • \( \hat{\mu}_t \)：一个辅助的“条件均值”或“条件分布”的估计量，用于构造双稳健统计量。在本文中，它可以是条件密度估计本身或其函数。
    • \( \hat{S} \)：检验统计量。
    • \( \hat{c}_\alpha \)：通过乘子 bootstrap 估计的 \( \alpha \) 水平临界值。

  • 模型：

    • 数据生成机制：\( \{X_t\} \) 是一个平稳的、β-混合的（β-mixing）时间序列。这意味着序列的依赖结构随着时间间隔增大而指数衰减。这是时间序列非参数推断的标准假设。
    • 统计模型：非参数模型。条件密度 \( f(x_t | \mathcal{F}_{t-1}^{(L)}) \) 属于一个光滑函数类（如 Sobolev 球），但具体形式未知。没有参数化假设。

  • 可观测数据：

    • 可观测：整个时间序列 \( \{X_1, X_2, ..., X_T\} \)。研究者可以计算任意 \( t \) 时刻的 \( \mathcal{F}_{t-1}^{(L)} \) 和 \( \mathcal{F}_{t-1}^{(L+1)} \)。
    • 想要但观测不到：真实的、未知的条件密度 \( f(x_t | \mathcal{F}_{t-1}^{(L)}) \) 和 \( f(x_t | \mathcal{F}_{t-1}^{(L+1)}) \)。检验的目标就是推断这两个不可观测的密度是否相等。

第二步：讲最小内核

最简特例：假设 \( X_t \) 是一维标量（\( d=1 \)），我们想检验一阶马尔可夫性（\( L=1 \)）。那么： - \( \mathcal{F}_{t-1}^{(1)} = X_{t-1} \)。 - \( \mathcal{F}_{t-1}^{(2)} = (X_{t-1}, X_{t-2}) \)。 - \( H_0: f(x_t | x_{t-1}) = f(x_t | x_{t-1}, x_{t-2}) \) 几乎处处成立。即，给定 \( X_{t-1} \) 后，\( X_t \) 与 \( X_{t-2} \) 条件独立。

核心思路：检验这个条件独立性，等价于检验一个“条件矩”是否为零。一个经典的方法是检验 \( E[ X_t - E[X_t | X_{t-1}] | X_{t-1}, X_{t-2}] = 0 \) 是否成立。但本文的方法更通用，它直接检验条件密度。

本文的最小内核：构造一个双稳健的积分平方差统计量。

  1. 定义“伪残差”：对于每个时间点 \( t \)，定义

    \[\hat{\epsilon}_t = \hat{f}(X_t | \mathcal{F}_{t-1}^{(L)}) - \hat{f}(X_t | \mathcal{F}_{t-1}^{(L+1)})\]
    其中 \( \hat{f} \) 是深度生成模型对条件密度的估计。如果 \( H_0 \) 成立，真实的 \( \epsilon_t \) 应为 0。但 \( \hat{\epsilon}_t \) 有估计误差。

  2. 构造双稳健统计量：关键想法是，我们不直接使用 \( \hat{\epsilon}_t \)，而是构造一个“去偏”的版本。在因果推断中，双稳健估计通常涉及一个“影响函数”（influence function）。本文的统计量 \( \hat{S} \) 可以理解为：

    \[\hat{S} = \max_{1 \le g \le G} \left| \frac{1}{\sqrt{T}} \sum_{t \in \mathcal{I}_g} \hat{\psi}_t \right|\]
    其中 \( \mathcal{I}_g \) 是交叉拟合中的第 \( g \) 折样本，而 \( \hat{\psi}_t \) 是一个精心构造的“双稳健得分”。在最简特例下，\( \hat{\psi}_t \) 可以近似为：
    \[\hat{\psi}_t \approx \hat{\epsilon}_t + \text{一个“矫正项”}\]
    这个“矫正项”的作用是：即使 \( \hat{f} \) 的估计有偏差（例如，收敛速率慢于 \( \sqrt{T} \)），只要偏差是“光滑”的，\( \hat{\psi}_t \) 的期望在 \( H_0 \) 下仍为 0，且其样本均值的方差以 \( 1/T \) 速率衰减。这就是“双稳健”的含义：对第一阶段的估计误差不敏感。

  3. 检验决策：计算 \( \hat{S} \)，并与通过乘子 bootstrap 得到的临界值 \( \hat{c}_\alpha \) 比较。如果 \( \hat{S} > \hat{c}_\alpha \)，则拒绝 \( H_0 \)。

为什么这个最小内核能工作？ - 双稳健性：使得检验统计量在 \( H_0 \) 下以参数速率（\( 1/\sqrt{T} \)）收敛到其渐近分布，即使条件密度估计是非参数的、收敛速率较慢（如 \( T^{-2/5} \)）。这避免了维数灾难对检验功效的致命影响。 - 交叉拟合：通过在不同样本上估计 \( \hat{f} \) 和计算 \( \hat{\psi}_t \)，打破了估计误差与检验统计量之间的相关性，简化了理论分析，并放松了对估计器一致性的要求。 - 乘子 Bootstrap：提供了一种有效的方法来估计 \( \hat{S} \) 的渐近分布（即高斯过程的最大值），无需直接推导其解析形式。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：针对高维时间序列，提出了一种非参数检验马尔可夫性（并可用于推断马尔可夫阶数）的方法。
  2. 核心工具 / 方法：利用深度条件生成模型（MDN、cGAN、CVAE）估计条件密度，构造了一个双稳健检验统计量，并采用样本分割和交叉拟合技术。
  3. 主要结论：证明了该检验渐近控制第一类错误（\( \lim_{T\to\infty} P(\text{拒绝} H_0 | H_0) \le \alpha \)），且功效趋于 1（\( \lim_{T\to\infty} P(\text{拒绝} H_0 | H_1) = 1 \)）。同时，为深度条件生成模型（特别是 MDN）的逼近误差建立了尖锐上界。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 数据：\( \{X_t\}_{t=1}^T \) 是平稳的 \( \mathbb{R}^d \)-值时间序列，\( d \) 可以很大（高维）。
  • 混合性：序列是 β-混合的（β-mixing），混合系数 \( \beta(k) \) 以指数速率衰减。这是为了应用局部 Rademacher 复杂度理论到时间序列（Lemma 5），并保证乘子 bootstrap 的有效性。
  • 光滑性：真实的条件密度 \( f(x_t | \mathcal{F}_{t-1}^{(L)}) \) 属于一个 Sobolev 球，光滑度参数为 \( \gamma \)。这保证了深度神经网络能以特定速率逼近该密度。
  • 深度生成模型：假设使用的深度生成模型（如 MDN）具有足够的容量（层数、宽度）来逼近光滑函数类。具体假设见 Assumption 2，包括对激活函数（如 ReLU）、网络结构、权重范数的约束。
  • 交叉拟合：将数据随机分成 \( K \) 折（如 \( K=5 \)）。对于第 \( k \) 折，用其余 \( K-1 \) 折数据训练深度生成模型，然后在第 \( k \) 折上计算得分。这保证了估计器与得分计算所使用的样本是独立的。
  • 相比已有文献：
    • 放宽：相比基于核方法的检验，本文允许 \( d \) 和 \( L \) 都很大（高维历史和高维状态），而核方法会遭遇维数灾难。
    • 强化：相比直接使用深度生成模型估计条件密度然后构造检验，本文通过双稳健设计，放松了对估计器收敛速率的要求。估计器可以以慢于 \( T^{-1/2} \) 的速率收敛，而检验统计量仍能达到参数速率。

主要结果

定理 1（逼近误差上界）：对于 MDN 估计的条件密度 \( \hat{f} \)，在光滑性假设下，其 \( L^2 \) 逼近误差（即 \( \|\hat{f} - f\|_2 \)）的上界为 \( O(T^{-\gamma/(2\gamma + d + L)}) \)。这是非参数估计的最优速率（minimax rate），表明 MDN 在逼近光滑条件密度时是有效的。

定理 2（第一类错误控制）：在 \( H_0 \) 下，检验统计量 \( \hat{S} \) 的渐近分布被一个高斯过程的最大值所控制。通过乘子 bootstrap 估计的临界值 \( \hat{c}_\alpha \) 满足：

\[\lim_{T\to\infty} P(\hat{S} > \hat{c}_\alpha) \le \alpha.\]
直觉：双稳健性保证了 \( \hat{S} \) 在 \( H_0 \) 下是渐近无偏的，且其方差可以被一致估计。乘子 bootstrap 则提供了对渐近分布的有效近似。

定理 3（功效趋于 1）：在 \( H_1 \) 下，如果真实的条件密度差异 \( \Delta(x_t, \mathcal{F}_{t-1}^{(L+1)}) = f(x_t | \mathcal{F}_{t-1}^{(L)}) - f(x_t | \mathcal{F}_{t-1}^{(L+1)}) \) 的 \( L^2 \) 范数大于某个阈值（该阈值随 \( T \) 增大而趋于 0），则：

\[\lim_{T\to\infty} P(\hat{S} > \hat{c}_\alpha) = 1.\]
直觉：只要备择假设成立且信号强度足够（不随样本量衰减太快），检验就能以概率 1 检测到它。

证明路线与技术技巧

整体路线：

  1. Step 1: 构造双稳健得分。定义 \( \hat{\psi}_t \) 使其在 \( H_0 \) 下是“近似鞅差”（approximate martingale difference）。这是通过巧妙地组合条件密度估计及其导数（或类似量）实现的，使得估计误差在期望中被抵消。
  2. Step 2: 建立高斯近似。利用高维中心极限定理（Chernozhukov et al., 2013），证明 \( \hat{S} = \max_g | \frac{1}{\sqrt{T}} \sum_{t \in \mathcal{I}_g} \hat{\psi}_t | \) 的分布可以被一个高斯随机向量 \( \mathbf{Z} \) 的最大值所近似，其中 \( \mathbf{Z} \) 的协方差矩阵与 \( \hat{\psi}_t \) 的协方差矩阵相匹配。
  3. Step 3: 乘子 Bootstrap。使用 Belloni & Oliveira (2018) 的乘子 bootstrap 方法，通过模拟高斯乘子 \( e_t \) 来生成 \( \mathbf{Z} \) 的近似样本，从而估计临界值 \( \hat{c}_\alpha \)。这一步的关键是证明 bootstrap 分布与 \( \hat{S} \) 的渐近分布一致。
  4. Step 4: 控制估计误差。证明在交叉拟合和双稳健设计的保证下，由第一阶段深度生成模型估计引入的误差（即 \( \hat{\psi}_t \) 与理想得分 \( \psi_t \) 之差）是渐近可忽略的。这依赖于对深度估计器逼近误差的尖锐上界（定理 1）以及混合条件下的经验过程理论（Bartlett et al., 2005 的推广）。

关键跳跃点： - 双稳健得分的构造：如何定义 \( \hat{\psi}_t \) 使其具有双稳健性，是本文最核心的技术贡献。这需要深入理解影响函数（influence function）在假设检验中的推广。作者没有直接给出一个通用的影响函数公式，而是针对马尔可夫性检验这一具体问题，设计了一个巧妙的“伪残差 + 矫正项”结构。 - 将局部 Rademacher 复杂度推广到 β-混合时间序列：Lemma 5 是证明深度估计器收敛速率的关键。它需要处理时间序列的依赖结构，使得 i.i.d. 情况下的经典结果（Bartlett et al., 2005）能够适用。这通常涉及“块状”（blocking）技术或对混合系数的精细控制。

技术技巧点名： - Empirical process / chaining：用于控制深度估计器的经验风险，特别是在非 i.i.d. 的时间序列设定下。 - 高维中心极限定理 / 高斯近似：用于推导检验统计量的渐近分布。 - 乘子 Bootstrap：用于估计临界值。 - 交叉拟合：用于打破估计误差与检验统计量之间的相关性。 - 双稳健估计思想：用于构造对第一阶段估计误差不敏感的检验统计量。 - β-混合系数的指数衰减假设：用于保证时间序列的“短期记忆”性质，使得经验过程理论和高斯近似成立。

真实例子与应用

本文包含三个真实数据应用：

  1. 美国 GDP 增长率数据：

    • 数据：1947-2022 年美国季度 GDP 增长率。
    • 方法：检验 GDP 增长率序列是否为一阶马尔可夫（\( L=1 \)），并与二阶（\( L=2 \)）比较。
    • 结果：检验结果支持一阶马尔可夫性，即当前 GDP 增长率只依赖于上一季度的增长率。
    • 说明：验证了方法在经典宏观经济时间序列上的有效性，并与经济学直觉一致。

  2. 股票收益率数据：

    • 数据：2000-2020 年标普 500 指数成分股的日收益率。
    • 方法：检验收益率序列的马尔可夫阶数。
    • 结果：发现一阶马尔可夫性被拒绝，而二阶马尔可夫性未被拒绝。这表明股票收益率可能依赖于过去两天的信息。
    • 说明：展示了方法在高维（多只股票）金融时间序列上的应用，并揭示了比简单随机游走更复杂的动态结构。

  3. 脑电图（EEG）数据：

    • 数据：来自癫痫患者的 EEG 信号。
    • 方法：检验 EEG 信号在不同脑区之间的马尔可夫性，以推断大脑的功能连接。
    • 结果：发现某些脑区之间的信号传递具有高阶马尔可夫性，而另一些则没有。
    • 说明：展示了方法在神经科学领域的应用潜力，用于发现时间序列中复杂的依赖结构。

🔎 结论是否比证明窄

  • 定理 2 和 3 的证明依赖于 β-混合系数指数衰减的假设。这是一个较强的假设。作者在结论中声称“控制第一类错误”和“功效趋于 1”，但这些结论严格来说只在指数衰减的 β-混合条件下成立。对于混合系数衰减较慢（如多项式衰减）的时间序列，结论是否成立并未被证明。作者在讨论中可能提到了这一点，但 intro 和 abstract 中的泛化表述可能让读者误以为结论适用于所有平稳时间序列。
  • 定理 1 的逼近误差上界是针对 MDN 的。对于 cGAN 和 CVAE，作者没有给出类似的尖锐上界，而是引用了其他文献（如 Liang, 2021）的结果。因此，关于“深度条件生成模型”的逼近误差上界，严格来说只对 MDN 成立。作者在文中可能对此有明确说明，但读者需注意区分。

四、开放问题

  1. 更弱的混合条件：本文的证明强烈依赖于 β-混合系数的指数衰减。能否将结果推广到混合系数衰减更慢（如多项式衰减）甚至非混合的时间序列？这需要更精细的经验过程理论和高斯近似工具。（扎根于：Assumption 1 对 β-混合系数的指数衰减要求）

  2. 其他深度生成模型的理论保证：本文为 MDN 建立了逼近误差上界，但 cGAN 和 CVAE 的理论性质（特别是针对条件密度估计的收敛速率）仍不完整。能否为这些更复杂的模型建立类似的尖锐上界？（扎根于：Theorem 1 只针对 MDN，作者对 cGAN/CVAE 引用了其他文献但未给出类似定理）

  3. 检验功效的局部最优性：本文证明了检验功效趋于 1，但未讨论其局部最优性（即能否检测到以 \( 1/\sqrt{T} \) 速率趋近于零的备择假设）。能否证明该检验在某种意义下是渐近最优的（如达到 minimax 最优的检测边界）？（扎根于：Theorem 3 只给出了功效趋于 1 的充分条件，未讨论最优性）

  4. 信息准则 vs. 序贯检验：本文使用序贯检验来确定马尔可夫阶数。在高维非参数设定下，基于信息准则（如 AIC、BIC 的推广）的方法是否更有效？两者在理论和实践上的优劣如何？（扎根于：作者在 intro 中回避了信息准则这一竞争路线，这是一个值得探索的 gap）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论