Likelihood Ratio Tests for Lorenz Dominance¶

作者: Shen-Da Chang, Philip E. Cheng, Michelle Liou
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://doi.org/10.1080/07350015.2022.2146696

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是基于 Lorenz 曲线的随机占优（Stochastic Dominance）假设检验。其根本的统计问题是：给定两个收入/财富/健康分布 \(F\) 和 \(G\)，如何检验一个分布是否在“不平等”或“社会福利”意义上占优于另一个？Lorenz 曲线及其广义形式（Generalized Lorenz Curve）是刻画这种占优关系的核心工具，而检验则涉及对经验 Lorenz 过程（Empirical Lorenz Process）和积分过程的推断。该方向当前成熟度较高，已有大量基于 bootstrap 和渐近理论的方法，但本文试图引入一种新的、基于似然比（LR）的检验框架，以处理更复杂的占优关系（如第三阶随机占优）。

发展脉络（history）¶

根据论文引言和参考文献，该方向的发展脉络可梳理如下：

奠基工作：Lorenz 曲线与随机占优的定义
- Atkinson (1970) 和 Kolm (1969) 奠定了 Lorenz 曲线作为不平等度量工具的理论基础。
- Shorrocks (1983) 引入了广义 Lorenz 曲线（Generalized Lorenz Curve），将 Lorenz 曲线与分布均值结合，从而能刻画“社会福利”意义上的占优（即二阶随机占优，SSD）。
- Foster & Shorrocks (1988) 系统建立了随机占优（一阶、二阶、三阶）与 Lorenz 曲线、广义 Lorenz 曲线之间的等价关系。这是该领域的核心理论框架。
主要进展：经验过程与 bootstrap 检验
- Beach & Davidson (1983) 和 Beach & Richmond (1985) 开创性地使用经验 Lorenz 过程（Empirical Lorenz Process）来构造检验统计量，并推导其渐近分布（通常是高斯过程）。
- Davidson & Duclos (2000) 和 Barrett & Donald (2003) 进一步发展了基于 bootstrap 的检验方法，以处理 Lorenz 曲线和广义 Lorenz 曲线比较中的复杂分布问题（如边界效应、多重比较）。这些方法成为该领域的标准工具。
- Linton, Maasoumi & Whang (2005) 提出了基于“交叉”Lorenz 曲线（Crossing Lorenz Curves）的检验，用于判断两个分布是否在 Lorenz 意义上不可比（即曲线交叉）。
当前 Frontier：第三阶随机占优（TSD）与更精细的刻画
- 论文指出，现有方法主要关注一阶（FSD）和二阶（SSD）随机占优。对于第三阶随机占优（TSD），其刻画更为复杂，因为它涉及“风险厌恶”的更高阶概念（即“递减绝对风险厌恶”，DARA）。
- 作者强调，两个分布可能在不存在二阶广义 Lorenz 占优（即没有 SSD）的情况下，仍然呈现 TSD。这意味着传统的基于广义 Lorenz 曲线比较的检验方法可能无法捕捉到这种更微妙的占优关系。这是本文试图填补的缺口。
本文的位置
- 本文提出一种新的、基于似然比（LR）的拟合优度检验，用于同时检验 Lorenz 占优（LD）、交叉 Lorenz 曲线和 TSD 的假设。其核心创新在于：
  - 将 Lorenz 曲线和广义 Lorenz 曲线的比较问题，转化为一个参数化模型下的 LR 检验问题。
  - 通过这种转化，检验统计量渐近服从卡方分布，从而避免了 bootstrap 的复杂计算和不确定性。
  - 该方法能够直接处理 TSD 的检验，这是现有 bootstrap 方法较少直接涉及的。

子线索聚类¶

这些被引文献大致落在以下两条子线索上：

线索一：理论刻画与等价关系
- 核心问题：Lorenz 曲线、广义 Lorenz 曲线与不同阶随机占优（FSD, SSD, TSD）之间的数学等价关系是什么？
- 代表工作：Atkinson (1970), Shorrocks (1983), Foster & Shorrocks (1988)。
- 当前状态：理论框架已基本成熟，但 TSD 的刻画（特别是当 SSD 不成立时）仍有待更精细的统计检验方法。
线索二：统计推断与假设检验
- 核心问题：如何基于样本数据，对 Lorenz 占优、广义 Lorenz 占优等假设进行有效的统计检验？
- 代表工作：Beach & Davidson (1983), Davidson & Duclos (2000), Barrett & Donald (2003), Linton et al. (2005)。
- 当前状态：主流方法是基于经验过程和 bootstrap。本文试图引入 LR 检验作为替代方案，以简化推断过程并处理 TSD。

这个方向在追问的核心问题¶

如何检验 Lorenz 占优（LD）？ 即检验一个分布的 Lorenz 曲线是否完全位于另一个之上。
如何检验广义 Lorenz 占优（即二阶随机占优，SSD）？ 即检验一个分布的广义 Lorenz 曲线是否完全位于另一个之上。
如何检验第三阶随机占优（TSD）？ 特别是当 SSD 不成立时，如何刻画和检验 TSD？
如何处理 Lorenz 曲线交叉的情况？ 当两个分布的 Lorenz 曲线交叉时，它们不可比，需要检验是否存在交叉。

当前主流方法与已知瓶颈： * 主流方法：基于经验 Lorenz 过程或积分过程的 bootstrap 检验。 * 已知瓶颈： * 计算成本：bootstrap 需要大量重抽样，计算量大。 * 推断复杂性：检验统计量的渐近分布通常是非标准的（如高斯过程的泛函），需要 bootstrap 来近似，这引入了额外的抽样误差。 * 对 TSD 的处理：现有 bootstrap 方法较少直接针对 TSD 设计检验，或者需要复杂的多重比较调整。

⚠️ 作者的 framing¶

作者的缺口 frame：作者将缺口 frame 为“现有方法（bootstrap）在处理 TSD 时存在困难，且缺乏一个统一的、渐近分布简单的检验框架”。因此，他们提出 LR 检验作为“显然的下一步”，声称它能同时处理 LD、交叉 Lorenz 曲线和 TSD，且统计量渐近服从卡方分布，从而“简化”了推断。
被淡化或回避的竞争路线：
- bootstrap 方法的稳健性：作者可能淡化了 bootstrap 方法在处理复杂依赖结构（如时间序列、空间数据）或小样本时的稳健性。LR 检验的卡方近似在小样本下可能不如 bootstrap 准确。
- 参数化假设的代价：LR 检验的核心是将 Lorenz 曲线比较转化为参数化模型下的检验。这个参数化模型（具体是什么模型，论文中未在摘要中明确，但很可能是某种多项式或分段线性模型）的设定误差（model misspecification）风险被作者回避了。如果真实 Lorenz 曲线不符合该参数形式，LR 检验的功效和水平可能会严重受损。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 非参数或半参数检验方法：除了 bootstrap，是否存在其他非参数或半参数的检验方法（如基于 U-统计量、经验似然、或核方法）？这些方法可能更稳健，但未被提及。
- 高维或多重比较场景：当需要同时比较多个分布（例如，多个国家或地区的 Lorenz 曲线）时，如何控制多重比较的族系错误率（FWER）或错误发现率（FDR）？本文的 LR 检验框架是否容易扩展到这种场景？作者没有讨论。
- 与“随机占优”检验的通用文献的联系：Lorenz 占优是随机占优的一个特例。更广泛的随机占优检验文献（如基于 Kolmogorov-Smirnov 型统计量、Cramér-von Mises 型统计量的方法）是否与本文的方法有联系或竞争关系？作者没有建立这种联系。

张力¶

未见明显对立引用。该领域的文献在理论框架（Foster & Shorrocks, 1988）和主流推断方法（bootstrap）上似乎有较强的共识。本文的 LR 检验是对现有方法的一种补充或替代，而非颠覆。

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：
- \(F, G\)：两个累积分布函数（CDF），代表两个不同的收入/财富/健康分布。
- \(X \sim F, Y \sim G\)：来自两个分布的随机变量（收入）。
- \(\mu_F, \mu_G\)：分布 \(F\) 和 \(G\) 的均值。
- \(L_F(p)\)：分布 \(F\) 的 Lorenz 曲线。定义：\(L_F(p) = \frac{1}{\mu_F} \int_0^{F^{-1}(p)} x \, dF(x)\)，其中 \(p \in [0, 1]\)。它表示人口中最穷的 \(100p\%\) 所拥有的总收入份额。
- \(GL_F(p)\)：分布 \(F\) 的广义 Lorenz 曲线。定义：\(GL_F(p) = \mu_F \cdot L_F(p) = \int_0^{F^{-1}(p)} x \, dF(x)\)。它表示人口中最穷的 \(100p\%\) 所拥有的总收入。
- Estimand：我们想要检验的假设是关于 Lorenz 曲线或广义 Lorenz 曲线之间的序关系。
- 样本：\(\{X_1, ..., X_n\}\) 和 \(\{Y_1, ..., Y_m\}\) 分别是来自 \(F\) 和 \(G\) 的独立同分布样本。
- 经验分布：\(\hat{F}_n, \hat{G}_m\) 是基于样本的经验 CDF。
- 经验 Lorenz 曲线：\(\hat{L}_F(p)\) 是基于 \(\hat{F}_n\) 和样本均值 \(\hat{\mu}_F\) 计算的经验 Lorenz 曲线。
模型：
- 这是一个非参数模型。我们不对 \(F\) 和 \(G\) 的具体形式做任何参数化假设（除了必要的正则性条件，如有限二阶矩、CDF 连续等）。检验的目标是在这个非参数框架下进行推断。
可观测数据：
- 可观测：我们观测到来自两个分布的独立样本 \(\{X_i\}_{i=1}^n\) 和 \(\{Y_j\}_{j=1}^m\)。我们可以计算它们的经验 CDF、样本均值、经验 Lorenz 曲线等。
- 想要但观测不到：我们想要知道的是总体 Lorenz 曲线 \(L_F(p)\) 和 \(L_G(p)\) 之间的真实关系（例如，是否 \(L_F(p) \ge L_G(p)\) 对所有 \(p\) 成立）。这是无法直接观测的，只能通过样本进行统计推断。

第二步：讲最小内核¶

本文的核心思路可以归结为以下最简特例：检验两个分布是否具有相同的 Lorenz 曲线（即 Lorenz 相等，而非占优）。

最简特例设定：
- 假设我们只有两个分布 \(F\) 和 \(G\)，且样本量相等 \(n = m\)。
- 我们想检验的原假设 \(H_0: L_F(p) = L_G(p)\) 对所有 \(p \in [0,1]\) 成立。
- 备择假设 \(H_1: L_F(p) \neq L_G(p)\) 对某些 \(p\) 成立。
核心思路（在特例下）：
1. 参数化 Lorenz 曲线：作者的核心技巧是，将 Lorenz 曲线 \(L(p)\) 用一个参数化模型来近似。例如，假设 Lorenz 曲线可以写成某个已知基函数（如多项式）的线性组合：\(L(p) \approx \sum_{k=1}^K \beta_k \phi_k(p)\)，其中 \(\{\phi_k(p)\}\) 是已知的基函数（如 Bernstein 多项式），\(\{\beta_k\}\) 是未知参数。
2. 转化为参数检验：那么，检验 \(L_F(p) = L_G(p)\) 就等价于检验两个分布的 Lorenz 曲线参数是否相等：\(H_0: \beta_F = \beta_G\)。
3. 构造 LR 统计量：现在，问题变成了一个参数模型下的假设检验问题。我们可以将两个样本合并，在 \(H_0\) 下估计一个共同的参数 \(\beta\)（得到 \(\hat{\beta}_0\)），并在 \(H_1\) 下分别估计 \(\beta_F\) 和 \(\beta_G\)（得到 \(\hat{\beta}_F\) 和 \(\hat{\beta}_G\)）。然后，构造似然比（LR）统计量：
  \[LR = -2 \left[ \ell(\hat{\beta}_0) - \ell(\hat{\beta}_F) - \ell(\hat{\beta}_G) \right]\]
  其中 \(\ell(\cdot)\) 是参数模型下的对数似然函数。
4. 渐近分布：在 \(H_0\) 和正则条件下，LR 统计量渐近服从卡方分布，自由度等于两个分布参数向量维数之差（这里是 \(K\)）。因此，我们可以直接使用卡方分布的临界值进行检验，无需 bootstrap。
为什么这个特例抓住了核心？
- 它清晰地展示了本文方法的核心机制：通过参数化 Lorenz 曲线，将非参数的 Lorenz 占优检验问题转化为参数模型下的 LR 检验。
- 它解释了为什么检验统计量能渐近服从卡方分布——这是 LR 检验在参数模型下的标准性质。
- 它揭示了该方法的核心代价：参数化假设的准确性。如果真实 Lorenz 曲线不能用所选基函数很好地近似，那么 LR 检验的水平和功效都会受到影响。
- 从 Lorenz 相等到 Lorenz 占优（不等式约束）的推广，本质上是在这个参数化框架下，将原假设从“参数相等”变为“参数满足一组线性不等式约束”（例如，\(\beta_F \ge \beta_G\) 在某种序关系下）。这会导致 LR 统计量的渐近分布变为混合卡方分布（Chi-bar-squared distribution），这是处理不等式约束下 LR 检验的标准结果。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了 Lorenz 占优（LD）、交叉 Lorenz 曲线和第三阶随机占优（TSD）的假设检验问题，特别是当两个分布不存在二阶广义 Lorenz 占优（SSD）时，如何刻画和检验 TSD。
核心工具/方法：作者提出了一种基于似然比（LR）的拟合优度检验。该方法通过将 Lorenz 曲线和广义 Lorenz 曲线参数化（例如，使用 Bernstein 多项式），将非参数的占优检验转化为参数模型下的 LR 检验。
主要结论：所提出的 LR 检验统计量在 \(H_0\) 下渐近服从卡方分布（对于相等性检验）或混合卡方分布（对于占优/不等式约束检验）。模拟研究表明该方法在有限样本下具有良好的表现，并成功应用于 COVID-19 区域死亡数据的双变量样本分析。

关键设定与假设¶

设定：两个独立样本 \(\{X_i\}_{i=1}^n\) 和 \(\{Y_j\}_{j=1}^m\)，分别来自分布 \(F\) 和 \(G\)。样本量 \(n, m\) 可以不等。
假设：
- 正则性条件：分布 \(F\) 和 \(G\) 具有有限二阶矩，且其 CDF 在支撑集上连续且严格递增。这是保证 Lorenz 曲线和广义 Lorenz 曲线定义良好且经验过程收敛的标准条件。
- 参数化假设：Lorenz 曲线 \(L(p)\) 或广义 Lorenz 曲线 \(GL(p)\) 可以被一个已知的、有限维的参数模型很好地近似。作者在论文中很可能使用了 Bernstein 多项式，因为它在 \([0,1]\) 区间上具有良好的逼近性质，且能自然地满足 Lorenz 曲线的边界条件（\(L(0)=0, L(1)=1\)）。
- 与已有文献的对比：相比 bootstrap 方法，本文的假设更强（引入了参数化假设），但计算更简单（无需 bootstrap）。相比完全非参数方法，本文的假设更弱（没有假设分布的具体形式），但依赖于参数化近似的准确性。

主要结果¶

定理 1（Lorenz 相等性检验）：在 \(H_0: L_F(p) = L_G(p)\) 对所有 \(p\) 成立下，基于参数化 Lorenz 曲线的 LR 统计量渐近服从 \(\chi^2_K\) 分布，其中 \(K\) 是参数化模型的维数。
- 直觉：这是参数模型下 LR 检验的标准结果。关键在于参数化模型的选择和估计的一致性。
- 必要条件：参数化模型必须能一致地估计真实的 Lorenz 曲线（即模型设定正确或近似误差可忽略）。
- 解决的技术难点：如何将 Lorenz 曲线的比较转化为参数比较，并推导出 LR 统计量的渐近分布。
定理 2（Lorenz 占优检验）：在 \(H_0: L_F(p) \ge L_G(p)\) 对所有 \(p\) 成立（即 \(F\) Lorenz 占优于 \(G\)）下，基于参数化 Lorenz 曲线的 LR 统计量渐近服从一个混合卡方分布（Chi-bar-squared distribution），即 \(\bar{\chi}^2\)，其自由度和权重由不等式约束的“锥”结构决定。
- 直觉：这是处理不等式约束下 LR 检验的标准结果。混合卡方分布是多个卡方分布的加权和，权重取决于真实参数落在约束边界上的概率。
- 必要条件：除了定理 1 的条件外，还需要参数化模型能刻画 Lorenz 曲线之间的序关系（例如，通过参数之间的线性不等式约束）。
- 解决的技术难点：推导混合卡方分布的权重。这通常需要计算一个高斯过程在某个锥上的投影概率，是理论上的主要难点。
定理 3（TSD 检验）：作者将 TSD 的检验也纳入这个 LR 框架。TSD 的刻画涉及对广义 Lorenz 曲线积分的比较。通过参数化广义 Lorenz 曲线，TSD 的检验同样可以转化为参数模型下的不等式约束检验，其 LR 统计量也渐近服从混合卡方分布。
- 直觉：这是本文的核心贡献之一。它表明 LR 框架可以统一处理 LD、SSD 和 TSD。
- 必要条件：需要参数化广义 Lorenz 曲线，并建立 TSD 与这些参数之间的不等式约束关系。
- 解决的技术难点：将 TSD 的积分条件转化为参数空间上的线性不等式约束，并证明这种转化是等价的。

证明路线与技术技巧¶

整体路线：
1. 参数化：将 Lorenz 曲线 \(L(p)\) 用一组基函数（如 Bernstein 多项式）展开：\(L(p) = \sum_{k=1}^K \beta_k B_k(p) + o(1)\)，其中 \(o(1)\) 是近似误差。
2. 估计：基于样本，通过某种方法（如最小二乘或拟似然）估计参数 \(\beta\)。对于 Lorenz 曲线，这通常涉及对经验 Lorenz 过程进行回归。
3. 构造 LR 统计量：在 \(H_0\)（相等或占优）下，估计约束参数 \(\hat{\beta}_0\)；在无约束下，估计 \(\hat{\beta}_F, \hat{\beta}_G\)。构造 LR 统计量。
4. 渐近分析：
  - 证明参数估计 \(\hat{\beta}\) 的渐近正态性。这依赖于经验 Lorenz 过程的弱收敛性和参数化模型的连续性。
  - 证明 LR 统计量可以表示为参数估计的二次型，其渐近分布由参数估计的协方差矩阵和约束的几何结构决定。
  - 对于相等性检验，得到卡方分布。
  - 对于占优检验，利用 Chernoff (1954) 和 Self & Liang (1987) 关于不等式约束下 LR 检验的理论，得到混合卡方分布。
关键跳跃点：
- 从非参数 Lorenz 曲线到参数化模型的跳跃：这是整个方法的基础。作者需要证明，参数化模型的近似误差不会影响 LR 统计量的渐近分布（即近似误差是渐近可忽略的）。这需要控制近似误差的阶数，并证明其相对于样本量是 \(o_p(n^{-1/2})\)。
- 推导混合卡方分布的权重：对于占优检验，混合卡方分布的权重计算非常复杂，通常需要数值模拟或解析计算。作者需要给出一个可行的计算方法，或者证明在某些特殊情况下（如参数化模型是线性的）权重有简单形式。
技术技巧点名：
- 经验过程理论：用于证明经验 Lorenz 过程的弱收敛性，以及参数估计的渐近性质。
- Bernstein 多项式逼近：用于参数化 Lorenz 曲线，利用其良好的边界性质和逼近能力。
- Chernoff (1954) / Self & Liang (1987) 理论：用于处理不等式约束下的 LR 检验，推导混合卡方分布。
- Delta 方法：用于将 Lorenz 曲线的比较转化为参数比较。

真实例子与应用¶

数据/场景：COVID-19 区域死亡数据，由世界卫生组织（WHO）收集，时间跨度为 2020 年 3 月至 2021 年 2 月。这是一个双变量样本（bivariate samples），可能比较了不同地区（如不同国家或大洲）的 COVID-19 死亡分布。
方法应用：作者将提出的 LR 检验应用于这些数据，检验不同地区 COVID-19 死亡分布的 Lorenz 占优关系（例如，检验一个地区的死亡分布是否比另一个地区更“不平等”）。
结果：论文应该会报告检验结果，例如，是否拒绝了 Lorenz 相等或 Lorenz 占优的假设，以及是否发现了 TSD 的证据。
例子想说明什么：这个例子旨在展示本文方法在实际数据中的应用价值，特别是它能够处理 TSD 这种更微妙的占优关系，而传统的基于广义 Lorenz 曲线的方法可能无法发现。它验证了方法在真实、复杂数据上的可行性。

🔎 结论是否比证明窄¶

潜在问题：论文的主要结论（LR 统计量渐近服从卡方/混合卡方分布）是在参数化模型设定正确或近似误差可忽略的条件下严格证明的。然而，在真实应用中，参数化模型（如 Bernstein 多项式）的阶数 \(K\) 如何选择？如果 \(K\) 选择不当（过小导致欠拟合，过大导致过拟合），结论是否仍然成立？作者可能只证明了在 \(K\) 随样本量增长到无穷的某种条件下结论成立，但在有限样本下，\(K\) 的选择是一个实际问题，其影响可能未被充分讨论。
泛化 claim：作者可能泛化 claim 该方法“统一”了 LD、SSD 和 TSD 的检验。但严格来说，这个“统一”是在参数化框架下的统一。如果参数化模型无法同时很好地近似所有三种占优关系下的 Lorenz 曲线，那么这个统一性可能只是形式上的。

四、开放问题¶

参数化模型的稳健性：本文的 LR 检验严重依赖于 Lorenz 曲线的参数化近似。当参数化模型设定错误时，检验的水平（size）和功效（power）会如何变化？ 是否存在一种数据驱动的方法来选择参数化模型的阶数 \(K\)，以保证检验的稳健性？（扎根于：本文的核心假设——参数化模型能一致估计 Lorenz 曲线。）
高维或多重比较场景：本文只处理了两个分布的比较。当需要同时比较多个分布（例如，多个国家的 Lorenz 曲线）时，如何将 LR 检验框架扩展到多重比较？ 这需要控制族系错误率（FWER）或错误发现率（FDR），并处理多个不等式约束下的 LR 检验，其渐近分布将更加复杂。（扎根于：本文的设定仅限双样本。）
与 bootstrap 方法的系统比较：本文声称 LR 检验比 bootstrap 方法更简单。在有限样本下，LR 检验与基于 bootstrap 的检验（如 Barrett & Donald, 2003）相比，在水平控制、功效和计算时间上表现如何？ 是否存在 LR 检验表现更差（例如，由于参数化假设）的场景？（扎根于：作者对 bootstrap 方法的淡化。）
TSD 检验的识别力：本文声称能检验“不存在 SSD 时的 TSD”。这种 TSD 在实证数据中是否常见？ 如果 TSD 的效应很微弱，LR 检验是否有足够的统计功效将其检测出来？这需要更深入的模拟研究或实证案例。（扎根于：本文的核心动机——刻画无 SSD 时的 TSD。）

Maintained by 陈星宇 · Homepage · Source on GitHub