跳转至

MixCIT: A Kernel Based Local-Polynomial Debiased Test for Conditional Independence on Mixed-Type Data

作者: Mengxiao Gao, Kyra Gan, Promit Ghosal
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2607.12830

一、领域脉络与小综述

这个方向是什么

条件独立性检验（CIT）是统计推断的基石问题，它要判断在给定一组条件变量 \(Z\) 后，两个变量 \(X\) 和 \(Y\) 是否独立。这个问题的核心统计困难在于：\(Z\) 可能是高维的、异质的（同时包含离散和连续分量），而检验必须是非参数的，以避免模型误设带来的错误推断。尽管边缘独立性检验已有成熟的理论和工具，但条件版本在统计和计算上都复杂得多，尤其是在处理混合类型数据时，现有方法要么受限于特定的数据类型假设，要么面临严重的计算瓶颈。

发展脉络

论文的引言将现有工作按数据类型梳理成一条清晰的线索：

  1. 奠基工作与离散数据：对于纯离散数据，Cochran-Mantel-Haenszel 检验 [Cochran, 1954, Mantel and Haenszel, 1959] 和对数线性模型 [Agresti, 2012] 提供了原则性解决方案。但它们受“维度诅咒”困扰：当离散变量 \(Z\) 的取值组合数随维度指数增长时，样本量必须足够大才能保证每个单元格有足够的计数，这在实践中往往不可行。

  2. 主要进展与连续数据：对于纯连续数据，非参数方法蓬勃发展。核方法 的代表是核条件独立性检验（KCI）[Zhang et al., 2011]，它通过核岭回归估计条件均值嵌入，检验条件交叉协方差算子是否为零。KCI 有严格的 RKHS 理论基础 [Fukumizu et al., 2008, 2009]，但计算复杂度高达 \(O(n^3)\)。信息论方法 使用最近邻（NN）估计条件互信息 [Runge, 2018, Frenzel and Pompe, 2007]，效率为 \(O(n \log n)\)，但需要为 \((Z,X)\) 定义一个统一的度量，这在混合数据中变得模糊。条件距离协方差 方法 [Wang et al., 2015] 和投影协方差度量（PCM）[Lundborg et al., 2024] 试图达到 \(\sqrt{n}\)-相合性，但需要仔细选择带宽，且在高维 \(Z\) 下表现不佳。基于秩的方法 从 Chatterjee [2021] 的边缘相关系数发展而来，通过 NN 定义的 \(Z\)-邻域来近似条件依赖 [Azadkia and Chatterjee, 2021, Azadkia et al., 2022]，并建立了独立下的 CLT [Huang et al., 2026]。

  3. 当前 Frontier 与混合数据：当 \((X,Y,Z)\) 包含混合成分时，现有方法面临根本性障碍。核方法需要为混合空间构造乘积核，这在理论上很微妙 [Szabó and Sriperumbudur, 2018]。离散化方法 [Huang, 2010a, Zhang, 2008] 会引入偏差和信息损失。基于模型的方法 [Yang et al., 2015, Lee and Hastie, 2015] 假设参数化的条件分布，缺乏对模型误设的鲁棒性。近期针对混合数据的非参数独立性检验工作（如基于乘积核的 HSIC 扩展、基于 copula 的方法 [Genest and Favre, 2007]、基于置换的分类器检验 [Sen et al., 2017, Kim et al., 2021]）都只针对边缘独立性，而非条件独立性。

  4. 本文的位置：作者将缺口 frame 为：没有一个现存的非参数 CIT 框架能同时提供：(i) 针对混合 \((X,Y,Z)\) 的几何上合理的邻域构造；(ii) 覆盖所有数据类型组合的完整渐近零分布；(iii) 刻画检测阈值的功效分析；(iv) 近二次计算复杂度和直接的 p 值校准。本文提出的 MixCIT 正是为了填补这个空白。

子线索聚类

这些被引文献大致落在以下几条子线索上：

  • 核方法与条件均值嵌入：以 KCI [Zhang et al., 2011] 为代表，包括其近似 [Strobl et al., 2019] 和理论基础 [Fukumizu et al., 2008, 2009, Park and Muandet, 2021]。这条线索的核心是使用 RKHS 工具将条件独立性转化为一个算子的零化问题，但计算瓶颈（\(O(n^3)\)）和混合数据上的核构造困难是其主要弱点。
  • 基于图/最近邻的方法：包括基于 NN 的条件互信息估计 [Runge, 2018, Frenzel and Pompe, 2007] 和基于 NN 邻域的条件依赖度量 [Azadkia and Chatterjee, 2021, Azadkia et al., 2022, Huang et al., 2026]。这类方法计算效率高（\(O(n \log n)\)），但通常需要统一的度量空间，且其渐近理论（如偏差项的处理）在混合数据和高维下变得复杂。本文的统计量在原始形式下与 Huang et al. [2022] 的核偏相关估计有关。
  • 投影/协方差度量方法：如 PCM [Lundborg et al., 2024] 和条件距离协方差 [Wang et al., 2015]。它们试图通过投影或正交化来消除 \(Z\) 的影响，达到 \(\sqrt{n}\)-相合性，但通常需要仔细的带宽选择和光滑性假设。
  • 模型-X 与条件随机化检验：Candes et al. [2018] 的条件随机化检验（CRT）在已知 \(X|Z\) 的条件分布时具有有限样本有效性，但这在大多数应用中是一个过强的假设。

这个方向在追问的核心问题

  1. 如何为混合类型数据构造一个“自然”的邻域？ 离散变量需要精确匹配，连续变量需要度量空间中的近邻，如何将两者统一在一个几何框架下，避免人为的嵌入或分箱？
  2. 如何消除基于 NN 的统计量在连续变量上固有的平滑偏差？ 当 \(Z\) 或 \(X\) 有连续分量时，NN 平均会引入一个与 \((k_n/n)^{2/D}\) 同阶的偏差，这个偏差在 \(\sqrt{n}\) 尺度下可能发散，使得统计量不再渐近枢轴。
  3. 如何在高维条件下保持检验的功效？ 几何估计器（如 NN 图）在高维下会经历相变，导致检测阈值恶化。是否存在一种方法能消除这种相变，实现维数无关的检测阈值？
  4. 如何实现高效的 p 值校准？ 全局核方法（如 KCI）的 \(O(n^3)\) 计算瓶颈使其难以应用于因果发现等需要执行大量检验的场景。能否利用邻域结构的稀疏性实现近二次甚至更低的复杂度？

⚠️ 作者的 framing

作者将缺口 frame 成一个“统一几何框架”的缺失，这个框架需要同时满足四个条件（见上文）。通过这种方式，本文的贡献被呈现为“显然的下一步”：一个同时解决邻域构造、偏差校正、功效分析和计算效率的单一方法。

  • 被淡化或回避的竞争路线：作者明确指出了 KCI 的 \(O(n^3)\) 计算瓶颈和混合数据核构造的困难，以及基于模型的方法对模型误设的脆弱性。对于基于 NN 的条件互信息方法，作者指出其需要统一度量空间的模糊性。对于 CRT，作者指出其依赖于已知的 \(X|Z\) 条件分布这一过强假设。
  • 什么明显该被引/该存在、却没出现在 intro 里？ 这是一个值得研究者去查的问题。例如，关于“统计-计算权衡”在 CIT 中的应用，或者关于使用深度学习方法（如变分自编码器）来估计条件密度的最新进展，在引言中并未提及。这可能是因为这些工作与本文的纯非参数、基于图的框架距离较远，但也可能是一个值得探索的张力点。

张力

未见明显对立引用。不同方法之间的差异主要体现在对数据类型、计算效率和理论假设的权衡上，而非根本性的矛盾结论。例如，KCI 在理论上更通用但计算昂贵，而 NN 方法计算快但理论处理更复杂。本文的工作正是在这些权衡中寻找一个新的平衡点。

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：

    • \((X, Y, Z)\)：随机变量，取值于 \(\mathcal{X}, \mathcal{Y}, \mathcal{Z}\)。\(X\) 和 \(Y\) 是单变量（可以是离散或连续），\(Z\) 可以是多变量且混合类型。
    • \(P\)：\((X,Y,Z)\) 的联合分布。
    • \(\{(X_i, Y_i, Z_i)\}_{i=1}^n\)：从 \(P\) 中独立同分布抽取的 \(n\) 个样本。
    • \(H_0: Y \perp\!\!\!\perp X \mid Z\)：原假设，即给定 \(Z\) 时 \(X\) 和 \(Y\) 条件独立。
    • \(K: \mathcal{Y} \times \mathcal{Y} \to \mathbb{R}\)：一个对称、有界的核函数。对于离散 \(Y\)，通常用指示核 \(K(y, y') = \mathbf{1}(y = y')\)；对于连续 \(Y\)，用特征核（如高斯核）。
    • \(C_i\)：样本 \(i\) 的“粗邻域”，由基于 \(Z\) 的邻居构成。
    • \(F_i\)：样本 \(i\) 的“细邻域”，由基于 \((Z, X)\) 的邻居构成。
    • \(c_i = |C_i|, f_i = |F_i|\)：邻域的实际大小。
    • \(k_n\)：最近邻个数，是一个随 \(n\) 增长的序列。
    • \(D = d_Z + d_X\)：当 \(Z\) 和 \(X\) 都连续时，\((Z,X)\) 空间的联合维度。
    • \(\Delta_n\)：原始的检验统计量（公式 1）。
    • \(\Delta_n^{(p)}\)：局部多项式去偏后的检验统计量（公式 4）。
    • \(p\)：局部多项式的阶数。
    • \(\tau_p^2\)：去偏统计量 \(\sqrt{n}\Delta_n^{(p)}\) 的渐近方差。
    • \(T_n^{(p)} = \sqrt{n}\Delta_n^{(p)} / \hat{\tau}_p\)：学生化后的检验统计量。

  • 模型：数据生成机制由联合分布 \(P\) 完全描述，没有参数化假设。检验的目标是在不假设 \(P\) 属于某个参数族的情况下，判断 \(H_0\) 是否成立。

  • 可观测数据：研究者能观测到的是 \(n\) 个独立同分布的样本点 \(\{(X_i, Y_i, Z_i)\}_{i=1}^n\)。我们想要推断的是条件独立性 \(Y \perp\!\!\!\perp X \mid Z\)，这是一个关于潜在分布 \(P\) 的性质，无法直接从样本中“看到”，只能通过统计检验来推断。关键挑战在于，当 \(Z\) 是连续或混合类型时，我们不能简单地通过分层（如离散情况）来“固定” \(Z\)，而必须使用平滑技术（如核方法或最近邻）来近似“给定 \(Z\)”这个条件。

第二步：讲最小内核

本文的核心思路可以用一个最简特例来理解：假设 \(X\) 和 \(Y\) 都是二值变量（0或1），\(Z\) 是一个连续变量（维度 \(d_Z = 1\)）。

  • 核心直觉：在原假设 \(H_0: Y \perp\!\!\!\perp X \mid Z\) 下，给定 \(Z\) 后，\(X\) 不提供关于 \(Y\) 的任何额外信息。因此，如果我们看两个“邻域”：

    1. 粗邻域 \(C_i\)：与样本 \(i\) 在 \(Z\) 值上“接近”的那些样本。
    2. 细邻域 \(F_i\)：与样本 \(i\) 在 \((Z, X)\) 值上“接近”的那些样本。 那么，在这两个邻域内，\(Y\) 值的分布应该是相似的。如果 \(H_1\) 成立，那么细邻域（因为它还考虑了 \(X\)）内的 \(Y\) 值会比粗邻域内的 \(Y\) 值更“相似”。

  • 如何量化“相似性”：使用指示核 \(K(Y_i, Y_j) = \mathbf{1}(Y_i = Y_j)\)。那么，一个邻域内 \(Y\) 值的平均相似性就是该邻域内 \(Y\) 值相等的比例。

  • 原始统计量 \(\Delta_n\)：

    \[\Delta_n = \frac{1}{n} \sum_{i=1}^n \left( \underbrace{\frac{1}{f_i} \sum_{j \in F_i} \mathbf{1}(Y_i = Y_j)}_{\text{细邻域内 }Y\text{ 的相似性}} - \underbrace{\frac{1}{c_i} \sum_{j \in C_i} \mathbf{1}(Y_i = Y_j)}_{\text{粗邻域内 }Y\text{ 的相似性}} \right)\]
    这个统计量直观地度量了“知道 \(X\) 后，\(Y\) 的相似性增加了多少”。

  • 问题：偏差从何而来？ 当 \(Z\) 是连续变量时，我们无法精确匹配 \(Z\) 值。粗邻域 \(C_i\) 是通过在 \(Z\) 上找 \(k_n\) 个最近邻来构造的。这些邻居的 \(Z\) 值与 \(Z_i\) 并不完全相同，而是有一个小的偏差。这个偏差会导致粗邻域内 \(Y\) 的条件分布与 \(Y|Z=Z_i\) 的真实分布有差异，从而在 \(\Delta_n\) 中引入一个非零的期望偏差 \(\theta_n\)。这个偏差的量级是 \(O((k_n/n)^{2/D})\)。当维度 \(D\) 较高时，\(\sqrt{n}\theta_n\) 可能发散，使得 \(\sqrt{n}\Delta_n\) 不再收敛到一个均值为零的正态分布，从而无法直接用于构造检验。

  • 解决方案：局部多项式去偏。为了消除这个偏差，我们不直接使用邻域内 \(Y\) 值的简单平均，而是对 \(Y\) 值关于 \((Z, X)\) 坐标做一个局部多项式回归。具体来说，对于细邻域 \(F_i\)，我们求解一个加权最小二乘问题：

    \[\min_{a, b} \sum_{j \in F_i} \left[ \mathbf{1}(Y_i = Y_j) - a - b^\top q_p\left( \frac{(Z_j - Z_i, X_j - X_i)}{\hat{\rho}_i} \right) \right]^2\]
    其中 \(q_p(\cdot)\) 是 \(p\) 阶多项式的基函数向量，\(\hat{\rho}_i\) 是邻域半径的估计。这个问题的解 \(\hat{a}_{i,F}^{(p)}\) 就是去偏后的细邻域相似性估计。粗邻域的去偏估计 \(\hat{a}_{i,C}^{(p)}\) 类似。

  • 为什么去偏有效？ 局部多项式回归有一个关键性质：多项式再生性。如果真实的函数（这里是 \(\mathbb{E}[\mathbf{1}(Y_i = Y) \mid Z, X]\)）是一个 \(p\) 阶多项式，那么估计 \(\hat{a}_{i,F}^{(p)}\) 就是无偏的。即使真实函数不是多项式，只要它足够光滑，局部多项式回归也能通过泰勒展开，将偏差从 \(O((k_n/n)^{2/D})\) 降低到 \(O((k_n/n)^{(p+1)/D})\)。通过选择足够大的 \(p\)（例如 \(p \ge \lceil D/2 \rceil\)），我们可以让 \(\sqrt{n}\) 乘以这个偏差趋于零，从而恢复 \(\sqrt{n}\) 尺度的渐近正态性。

  • 总结：这个最小内核展示了本文的核心思想：用一个基于图的统计量来比较两个邻域内的 \(Y\) 相似性，并通过局部多项式回归来消除由连续变量平滑引起的偏差，从而得到一个渐近枢轴的检验统计量。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了混合类型数据（\(X, Y, Z\) 可以同时包含离散和连续分量）下的条件独立性检验问题。
  2. 核心工具/方法：提出了一种基于图的检验统计量 MixCIT，它通过精确匹配离散变量和 \(k_n\)-最近邻匹配连续变量来构造复合邻域，并采用局部多项式去偏技术来消除连续变量带来的平滑偏差，从而得到一个渐近正态的枢轴统计量。
  3. 主要结论：严格证明了该统计量在所有数据类型组合下的渐近零分布（离散时为混合卡方分布，连续或混合时为高斯分布），并证明了在局部备择假设下具有维数无关的 \(n^{-1/4}\) 检测阈值，同时开发了近二次复杂度的计算算法和解析图校准方法。

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：

  • 数据与邻域构造：

    • \(X\) 和 \(Y\) 是单变量，可以是离散或连续。\(Z\) 是多变量，每个分量可以是离散或连续。
    • 复合邻域：对于离散分量，使用精确匹配（距离为 0 或 \(\infty\)）。对于连续分量，使用欧几里得距离下的 \(k_n\)-最近邻。构造邻域时，先按离散分量精确匹配，再在匹配的子集内按连续分量找 \(k_n\) 个最近邻。
    • 当某个离散分量的取值组合对应的样本数少于 \(k_n\) 时，邻域包含该层内的所有样本。

  • 核函数 \(K\)：

    • 对于离散 \(Y\)：使用指示核 \(K(y, y') = \mathbf{1}(y = y')\)。
    • 对于连续 \(Y\)：使用有界、对称的特征核（如高斯核 \(K(y, y') = \exp(-\|y - y'\|^2 / \sigma^2)\)，带宽 \(\sigma\) 由中位数启发式确定）。

  • 关键假设（以全连续情况为例，Regime II）：

    • 光滑性 (Assumption 1)：\((Z, X)\) 的联合密度 \(f_{Z,X}\) 和 \(Z\) 的边缘密度 \(f_Z\) 在紧支撑上光滑（\(C^{p+1}\)），且有正的下界。
    • 原假设下的条件均值 (Assumption 2)：在 \(H_0\) 下，条件核均值 \(\kappa(y, z) = \mathbb{E}[K(y, Y') \mid Z' = z]\) 是 \(C^{p+1}\) 的。
    • 核有界性 (Assumption 3)：\(K\) 有界。
    • \(k_n\) 增长速率 (Assumption 4)：\(k_n \to \infty\)，\(k_n / n \to 0\)，且 \(k_n / (N_p \log n) \to \infty\)，其中 \(N_p = \binom{D+p}{p}\) 是局部多项式基的维数。最后一个条件是为了保证局部设计矩阵的一致可逆性。
    • 维度非退化 (Assumption 5)：\(d_X \ge 1\)。这是为了保证在 \(X\) 连续时，渐近方差 \(\tau_p^2\) 严格为正。

  • 相比已有文献的放宽或强化：

    • 放宽：相比 KCI 的 \(O(n^3)\) 复杂度，本文实现了近二次复杂度。相比需要统一度量的 NN 方法，本文通过复合邻域自然地处理了混合数据。
    • 强化：本文对 \(k_n\) 的增长速率有更严格的要求（\(k_n / (N_p \log n) \to \infty\)），这是为了保证局部多项式设计的正则性。此外，为了消除偏差，需要满足偏差消除条件 \(\sqrt{n}(k_n/n)^{(p+1)/D} \to 0\)，这限制了 \(k_n\) 不能增长太快。

主要结果

  1. 定理 1（离散情况下的零分布）：当 \(Z\) 和 \(X\) 都是离散时，\(n\Delta_n\) 收敛到一个加权卡方分布 \(\sum_{r \ge 1} \lambda_r (Z_r^2 - 1)\)，其中 \(\{\lambda_r\}\) 是条件协方差算子 \(S\) 的特征值。这是退化 U-统计量的典型极限。

  2. 定理 2（去偏统计量的高斯零分布）：当 \(Z\) 或 \(X\) 至少有一个是连续时，在偏差消除条件下，\(\sqrt{n}\Delta_n^{(p)} \Rightarrow N(0, \tau_p^2)\)。这个定理统一了三种连续/混合情形（全连续、\(X\) 离散 \(Z\) 连续、\(X\) 连续 \(Z\) 离散），是本文的核心理论贡献。

  3. 定理 3（一致性）：在固定备择假设下，检验的功效趋近于 1。

  4. 定理 4（维数无关的检测阈值）：在局部备择假设 \(f_{r_n} = (1-r_n)f_Z f_{X|Z} f_{Y|Z} + r_n g_{X,Y,Z}\) 下，检测阈值是 \(r_n^* \asymp n^{-1/4}\)，与 \(d_Z\) 和 \(d_X\) 无关。这是本文最引人注目的理论结果，它表明通过局部多项式去偏，可以消除传统 NN 图统计量在高维下经历的相变。

证明路线与技术技巧

  • 整体路线：

    1. 统计量分解：将去偏统计量 \(\Delta_n^{(p)}\) 分解为偏差项 \(\theta_n^{(p)}\)、一阶投影项 \(L_n^{(p)}\) 和中心化图波动项 \(G_n^{(p)}\)。
    2. 偏差消除：利用局部多项式的多项式再生性，通过泰勒展开证明偏差 \(\theta_n^{(p)} = O((k_n/n)^{(p+1)/D})\)。在偏差消除条件下，\(\sqrt{n}\theta_n^{(p)} \to 0\)。
    3. 一阶投影可忽略：证明一阶投影项 \(L_n^{(p)}\) 的方差 \(a_{n,p}^2 = O((k_n/n)^{2(p+1)/D})\)，因此 \(\sqrt{n}L_n^{(p)} = o_p(1)\)。
    4. 图波动项的 CLT：这是证明的核心。对 \(G_n^{(p)}\) 建立中心极限定理，证明 \(\sqrt{n}G_n^{(p)} \Rightarrow N(0, \tau_p^2)\)。
    5. 方差严格正：证明 \(\tau_p^2 > 0\)，这是 CLT 非退化的关键。

  • 关键跳跃点（图波动项 CLT 的证明）：

    • 局部泊松近似 (Lemma 4)：在缩小的邻域内，将经验点过程近似为齐次泊松点过程。这是将复杂的图统计量转化为可处理的随机积分的基础。
    • 重标指数稳定化 (Lemma 7)：证明每个锚点的局部图得分 \(\xi_{n,p}(W_i, W_n)\) 只依赖于一个重标后的稳定化半径内的样本点，且该半径的尾部以指数速度衰减。这是应用 Penrose-Yukich 稳定化框架的关键。
    • 重叠方差计算 (Lemmas 15-18)：通过泊松点过程的 Itô 等距，将渐近方差 \(\tau_p^2\) 表示为三个重叠协方差（细-细、粗-粗、细-粗）的积分形式。这些积分涉及局部多项式等价核 \(\ell^{(p)}\) 和条件标记方差 \(\sigma^2(z)\)。
    • 严格正性证明 (Lemma 20)：利用维度不匹配（\(d_X \ge 1\)），证明细邻域的 Palm 过程中存在一个正测度的 \(X\)-扩展区域，该区域与粗邻域的 Palm 过程渐近不交，从而保证了 \(\tau_p^2 > 0\)。

  • 技术技巧点名：

    • 局部多项式去偏：用于消除 NN 平滑偏差，是本文的核心技术。
    • U-统计量理论：用于处理离散情况下的统计量，得到混合卡方极限。
    • 经验过程 / 稳定化理论 (Penrose-Yukich)：用于处理连续情况下依赖于样本的 NN 图统计量，建立 CLT。
    • 泊松点过程与 Itô 等距：用于计算渐近方差和证明其严格正性。
    • 高斯乘子 Bootstrap：用于离散情况下的 p 值校准，避免了 \(O(n^3)\) 的特征分解。
    • 图基方差估计：用于连续情况下的方差估计，通过重叠图上的局部得分乘积和来估计 \(\tau_p^2\)。

真实例子与应用

本文包含详细的模拟实验（Section 5），但没有真实数据应用。

  • 模拟实验设计：生成了包含连续、离散和混合数据类型的合成数据集，涵盖了线性和非线性因果机制。
  • 评估指标：Type-I 错误率、统计功效、平均运行时间。
  • 主要发现：
    1. 可扩展性：本文方法在 \(n=10000\) 时，所有测试场景的平均运行时间都严格低于 10 秒，展现了出色的计算可扩展性。
    2. 与基线方法对比：与 KCI、Fisher-z 和 CMI-KNN 相比，本文方法在所有混合数据场景下都保持了有效的 Type-I 错误控制，而 KCI 在某些混合非线性情况下出现了错误膨胀，CMI-KNN 在混合数据下功效不足。在计算时间上，本文方法远快于 KCI（KCI 在 \(n=5000\) 时需要约 2 分钟）。
    3. 对非有序异质混杂的鲁棒性：设计了一个“锯齿”效应实验，其中离散混杂变量导致不同层内的数据分布不同。结果显示，KCI 的 Type-I 错误率随异质性强度 \(\delta\) 的增加而急剧上升（最高达到 1.00），而本文的 MixCIT 方法由于采用了精确分层，Type-I 错误率始终为 0.00，同时保持了高功效。

🔎 结论是否比证明窄

  • 定理 4 的检测阈值：定理 4 证明的检测阈值 \(r_n^* \asymp n^{-1/4}\) 是在一个特定的局部备择假设（混合模型 (11)）下得到的。这个备择假设形式是 \(f_{r_n} = (1-r_n) f_Z f_{X|Z} f_{Y|Z} + r_n g_{X,Y,Z}\)，其中 \(g\) 是一个保持 \((Z,X)\) 边缘分布的替代密度。这个设定虽然常见，但并非最一般。作者在 Remark 44 中承认，这个阈值在更一般的 Sobolev 球类上的极小极大最优性是一个开放问题。因此，结论“维数无关的 \(n^{-1/4}\) 检测阈值”是严格在论文所定义的局部备择假设框架下成立的，不能直接推广到所有可能的备择假设形式。
  • 方差严格正的条件：定理 2 中 \(\tau_p^2 > 0\) 的证明依赖于 Condition 1（全连续情况）或 Condition 2（\(X\) 离散情况）。这些条件虽然温和（例如要求 \(d_X \ge 1\) 或 \(X\) 至少有两个取值），但仍然是需要验证的。在退化情况下（如 \(d_X = 0\) 且 \(X\) 是常数），方差为零，统计量无意义。

四、开放问题

  1. 高基数离散变量的稀疏性问题：论文在讨论部分（Section 6）明确指出，当 \(Z\) 包含高基数或多个分类变量时，精确匹配分层会导致严重的稀疏性，许多层的样本数太少，无法进行稳定的局部多项式估计。扎根点：Section 6, "First, the exact-matching stratification on discrete covariates can lead to severe sparsity when \(Z\) contains high-cardinality or multiple categorical variables." 一个开放问题是：如何设计一种“模糊分层”策略，通过相似性权重在相似离散状态间共享信息，从而缓解稀疏性问题？

  2. 自适应带宽选择：论文使用中位数启发式选择 \(Y\) 上的核带宽，并指出这对于检测弱或局部化的非线性信号不是最优的。扎根点：Section 6, "Second, the median-heuristic bandwidth selection for the kernel on \(Y\) is not optimal for detecting weak or localized nonlinear signals." 一个开放问题是：能否开发一种数据驱动的自适应带宽选择或多核混合方法，以增强对不同依赖结构的检验功效？

  3. 检测阈值的极小极大最优性：论文证明了在特定局部备择假设下的 \(n^{-1/4}\) 检测阈值，但未证明该阈值在更广泛的函数类（如 Sobolev 球）上的极小极大最优性。扎根点：Remark 43, "Whether this rate is minimax optimal over a suitable smoothness class of conditional dependence structures... is an open question we do not pursue here." 一个开放问题是：在给定光滑性条件下，\(n^{-1/4}\) 是否是条件独立性检验的极小极大最优检测阈值？这需要建立相应的下界。

  4. 与统计-计算权衡的联系：论文的方法在计算上取得了巨大成功（近二次复杂度），但其检测阈值是 \(n^{-1/4}\)。一个有趣的问题是：是否存在一个更快的检测阈值（例如 \(n^{-1/2}\)），但需要更高的计算复杂度（例如 \(O(n^3)\)）？这直接关联到研究者感兴趣的“统计-计算权衡”领域。虽然论文没有直接提及，但这是一个自然的延伸问题：对于混合数据 CIT 问题，是否存在一个信息-计算缺口？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论