A Multiscale Ball Test for Conditional Mean Independence¶

作者: Simon Rudkin, Wanling Rudkin
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2608.20727

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是条件均值独立性检验。根本的统计问题是：给定一个多元预测变量 \(X \in \mathbb{R}^d\)，能否检验标量结果 \(Y\) 的条件均值 \(E[Y|X]\) 是否几乎必然等于无条件均值 \(E[Y]\)？这比全独立性弱（允许方差、高阶矩依赖 \(X\)），但在经济学、金融学、因果推断中更直接相关——只要目标是条件均值，而非整个分布。当前成熟度：已有大量全局和局部方法，但局部信号在未知空间尺度下的检测仍是开放问题。

发展脉络¶

作者在引言中把已有工作串成一条线，我按时间顺序梳理：

奠基工作（1990s）：Bierens (1990)、Bierens and Ploberger (1997) 提出积分条件矩检验（ICM），通过全局积分变换来检测对条件矩的偏离。Fan and Li (1996)、Zheng (1996) 发展核光滑检验，用带宽参数做局部平均。这些方法都是全局聚合——把偏离在整个预测变量支撑上积分或平均。作者的原话是：“Global conditional-moment procedures integrate discrepancies over the predictor support. That aggregation can dilute a departure confined to a bounded region.”——留下口子：全局聚合会稀释局部信号。
主要进展（2000s–2010s）：Su and White (2007, 2014) 把条件独立性检验推广到特征函数和似然比框架。Shao and Zhang (2014)、Lee and Shao (2018) 提出鞅差相关/散度（MDC/MDD），用全局距离泛函来刻画条件均值恒定性。Gretton et al. (2005)、Gretton and Györfi (2010) 的 HSIC 和 Székely et al. (2007) 的距离相关（dCor）是全独立性检验，不是条件均值目标。Kraskov et al. (2004) 的 KSG 和 Shen et al. (2020) 的 MGC 也是全独立性或多尺度图检验。这些方法各有优势，但要么是全局聚合（稀释局部信号），要么是全独立性（对条件均值不特异）。
当前 frontier（2020s）：Pan et al. (2020) 的 Ball 协方差是全独立性度量，共享球几何但目标不同。Chatterjee et al. (2026) 的最近邻条件均值检验（NCMD）是最接近的基准——它固定局部质量（固定 \(K\)），让空间范围自适应。作者的原话：“MBCMI fixes spatial extent and lets local mass vary; nearest-neighbour procedures fix local mass and let spatial extent vary.”——留下口子：固定质量 vs. 固定范围是互补的，没有一种方法在所有几何下占优。
本文的位置：MBCMI 是第一个多尺度固定半径球检验，在固定空间范围下让局部质量变化，通过搜索 71 个分位数半径来适应未知尺度，并提供中心-半径分解用于诊断。

子线索聚类¶

这些被引文献大致落在 3 条子线索上：

线索 1：条件矩检验（条件均值目标）：Bierens (1990)、Bierens and Ploberger (1997)、Fan and Li (1996)、Zheng (1996)、Su and White (2007, 2014)、Shao and Zhang (2014)、Lee and Shao (2018)、Chatterjee et al. (2026)。这些方法直接针对 \(E[Y|X] = E[Y]\)，但聚合方式不同（全局积分、核光滑、距离泛函、最近邻图）。
线索 2：全独立性检验（更宽目标）：Székely et al. (2007)（dCor）、Gretton et al. (2005)（HSIC）、Kraskov et al. (2004)（KSG）、Shen et al. (2020)（MGC）、Pan et al. (2020)（Ball 协方差）。这些方法可以检测分布的任何依赖，但对条件均值不特异——它们可能因方差依赖而拒绝，即使条件均值为常数。
线索 3：球几何与拓扑方法：Pan et al. (2020)（Ball 协方差）、Dłotko (2019)（Ball Mapper）。共享球几何原语，但目标不同（全独立性 vs. 探索性数据摘要）。

这个方向在追问的核心问题¶

如何检测局部信号？ 全局聚合会稀释局部偏离，局部光滑需要选择带宽/尺度——尺度未知时怎么办？
如何平衡局部光滑与噪声鲁棒性？ 小半径检测局部信号但样本少、方差大；大半径稳定但可能平均掉信号。
如何提供可解释的诊断？ 不仅拒绝/不拒绝，还要知道哪里和在什么尺度上拒绝。
如何在序列依赖下做有效推断？ 时间序列的条件均值独立性检验需要处理自相关和条件异方差。

当前主流方法与已知瓶颈：全局方法（ICM、核检验）对局部信号功率低；局部方法（kNN、核光滑）需要选择带宽/\(K\)，且通常不做多尺度搜索；全独立性方法（dCor、HSIC）对条件均值不特异；最近邻图方法（NCMD）固定质量、让范围自适应，但对固定空间范围的局部信号（如环形、局部岛）可能不如固定半径方法。

⚠️ 作者的 framing¶

作者把缺口 frame 成：“需要平衡局部光滑与噪声鲁棒性，而现有方法要么全局聚合（稀释局部信号），要么需要预先知道空间尺度。” 因此 MBCMI 成为“显然的下一步”：多尺度固定半径搜索 + 中心-半径诊断分解。

被淡化或回避的竞争路线： - MDC/MDD：作者承认它是“重要的 estimand-matched 家族”，但用“公共作者代码 MDD 实现未通过预设有限样本校准筛选”（pooled size 6.625%，最差 cell 10.5%）为由，将其排除在 canonical 功率排名之外。这是实现可比性决策，不是理论无效的证据。 - 自适应带宽选择方法：作者没有讨论任何自适应带宽选择（如交叉验证、plug-in）的检验——这些方法理论上可以解决尺度未知问题，但作者选择多尺度搜索路径。

什么明显该被引/该存在、却没出现在 intro 里？ - 自适应非参数检验的文献：如 Horowitz and Spokoiny (2001) 的自适应带宽检验、Guay and Guerre (2006) 的数据驱动带宽选择——这些方法也处理未知尺度问题，但作者没有引用或讨论。 - 高维条件下的条件均值检验：当 \(d\) 较大时，球方法会遭遇维数灾难，作者在局限性中承认了这一点，但没有引用任何高维条件均值检验（如基于稀疏性、投影追踪的方法）。

张力¶

未见明显对立引用。各方法在不同几何下各有优势，作者也明确承认这一点（“geometry-specific power envelope”），没有声称 MBCMI 普遍占优。

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： - \(Y_i \in \mathbb{R}\)：第 \(i\) 个观测的结果变量（标量）。 - \(X_i \in \mathbb{R}^d\)：第 \(i\) 个观测的预测变量（\(d\) 维向量）。 - \(m(x) = E[Y|X=x]\)：条件均值函数（目标参数）。 - \(\mu = E[Y]\)：无条件均值（目标参数）。 - \(n\)：样本量。 - \(d\)：预测变量维数。 - \(a = E[X]\)：预测变量均值向量（总体参数）。 - \(D = \text{diag}(\sigma_1, \ldots, \sigma_d)\)：预测变量边际标准差的对角矩阵（总体参数）。 - \(Z = D^{-1}(X - a)\)：总体标准化后的预测变量。 - \(\hat{Z}_i = \hat{D}^{-1}(X_i - \bar{X})\)：样本标准化后的预测变量。 - \(e > 0\)：球半径。 - \(B_i(e) = \{j : \|\hat{Z}_j - \hat{Z}_i\| \le e\}\)：以第 \(i\) 个观测为中心、半径 \(e\) 的球内的索引集。 - \(N_i(e) = |B_i(e)|\)：该球内的观测数（邻域大小）。 - \(\bar{Y}_i(e) = N_i(e)^{-1} \sum_{j \in B_i(e)} Y_j\)：球内结果的局部均值。 - \(\bar{Y} = n^{-1} \sum_{j=1}^n Y_j\)：结果的全局样本均值。 - \(T_n(e) = \sum_{i \in I_n(e)} N_i(e) \{\bar{Y}_i(e) - \bar{Y}\}^2\)：固定半径 \(e\) 下的检验统计量。 - \(I_n(e) = \{i : N_i(e) \ge N_{\min}\}\)：满足最小邻域大小要求的中心索引集（\(N_{\min}=10\)）。 - \(Q = \{0.05, 0.06, \ldots, 0.75\}\)：71 个分位数索引。 - \(\hat{e}_{n,q}\)：经验成对距离的第 \(q\) 分位数（数据驱动的半径）。 - \(T_n^{\max} = \max_{q \in \hat{Q}_n} T_n(\hat{e}_{n,q})\)：多尺度聚合统计量（检验决策的依据）。 - \(\hat{e}_n^* = \arg\max_{q \in \hat{Q}_n} T_n(\hat{e}_{n,q})\)：选中的描述性尺度（不是结构参数）。 - \(C_i(e) = N_i(e) \{\bar{Y}_i(e) - \bar{Y}\}^2\)：中心 \(i\) 的贡献（用于诊断）。 - \(p_e(z) = P\{\|Z' - z\| \le e\}\)：以 \(z\) 为中心、半径 \(e\) 的球的总体概率质量（\(Z'\) 是独立副本）。 - \(r_e(z) = E[Y' \mathbf{1}\{\|Z' - z\| \le e\}]\)：球内结果的总体未归一化和。 - \(m_e(z) = r_e(z) / p_e(z)\)：球内结果的总体局部均值。 - \(Q(e) = E[p_e(Z) \{m_e(Z) - \mu\}^2]\)：总体准则（检验的总体目标）。 - \(u_i = Y_i - \mu\)：中心化结果（潜在变量，不可观测）。 - \(\hat{u}_i = Y_i - \bar{Y}\)：样本中心化残差（可观测）。 - \(\xi_i\)：Rademacher 乘子（\(P(\xi_i = 1) = P(\xi_i = -1) = 1/2\)），用于 iid 自助法。 - \(p_0\)：真实自回归阶数（时间序列设定）。 - \(\phi_j\)：自回归系数。 - \(\eta_t\)：新息（innovation）。 - \(a_t\)：新息幅度（\(a_t \ge 0\)）。 - \(s_t\)：新息符号（Rademacher 变量）。 - \(\mathcal{A}_n\)：条件 sigma-域（包含预测变量路径、初始条件、新息幅度）。

模型： - 原假设：\(H_0: E[Y|X] = E[Y]\) 几乎必然成立（条件均值独立性）。 - 备择假设：存在一个非零测集，其上 \(E[Y|X] \ne E[Y]\)。 - 数据生成机制：观测 \((Y_i, X_i)\) 是 iid 的（主要理论设定）或来自稳定有限阶自回归（时间序列设定）。 - 已知/未知：\(X\) 的分布未知，\(Y\) 的条件均值函数 \(m(x)\) 未知，\(Y\) 的条件方差可以依赖于 \(X\)（异方差允许）。

可观测数据： - 可观测：\((Y_i, X_i)\)，\(i=1,\ldots,n\)。研究者看到结果和预测变量的配对样本。 - 不可观测/潜在：条件均值函数 \(m(x)\)、无条件均值 \(\mu\)、新息 \(\eta_t\)、新息幅度 \(a_t\)、新息符号 \(s_t\)。这些只能通过假设和估计来推断。

第二步：最小内核¶

最简特例：\(d=1\)（单变量预测变量），\(n\) 较大，\(X\) 在 \([0,1]\) 上均匀分布，\(Y = \mu + \delta \cdot \mathbf{1}\{X \in [0.4, 0.6]\} + \varepsilon\)，其中 \(\varepsilon\) 是均值为 0、方差为 \(\sigma^2\) 的独立噪声，\(\delta\) 是信号强度。这是一个局部岛备择：条件均值只在 \(X\) 的一个紧致子区间上偏离常数。

在这个特例下： - 总体标准化：\(Z = X\)（因为 \(X\) 已标准化到 \([0,1]\)）。 - 球退化为区间：\(B_i(e) = \{j : |X_j - X_i| \le e\}\)。 - 总体准则 \(Q(e) = E[p_e(X) \{m_e(X) - \mu\}^2]\)，其中 \(p_e(x) = P(|X' - x| \le e)\)，\(m_e(x) = E[Y' \mid |X' - x| \le e]\)。 - 当 \(e\) 很小时（比如 \(e=0.05\)），球只覆盖 \(X\) 的一个小区间。如果这个区间落在 \([0.4, 0.6]\) 内，则 \(m_e(x) \approx \mu + \delta\)，\(Q(e) > 0\)。如果落在外面，\(m_e(x) \approx \mu\)，\(Q(e) \approx 0\)。 - 当 \(e\) 很大时（比如 \(e=0.5\)），球覆盖整个支撑，\(m_e(x) \approx \mu + 0.2\delta\)（因为信号区间占支撑的 20%），\(Q(e) > 0\) 但被稀释。 - 核心思路：MBCMI 搜索多个半径 \(e\)（对应不同的分位数），取最大统计量。对于局部岛信号，小半径（如 \(e=0.05\)）能捕捉到局部偏离，大半径（如 \(e=0.5\)）也能捕捉但信号较弱。多尺度搜索确保至少有一个半径能检测到信号。 - 为什么这个特例抓住了内核：整篇论文的一般设定（多变量 \(X\)、任意分布、71 个分位数半径、支持权重）只是这个特例的“加壳”。核心数学困难是：在未知空间尺度下，如何聚合多个固定半径的局部均值对比，并控制多重比较。这个特例中，困难简化为：选择哪个 \(e\) 来最大化检测功率，以及如何校准这个最大值。

如果不是特例推广型：本文确实是“特例推广”型——一般情形（多变量、任意分布、71 个半径）是上述单变量均匀局部岛情形的推广。核心命题是：存在一个半径 \(e\) 使得 \(Q(e) > 0\) 当且仅当条件均值非常数（局部识别，Proposition 1），且多尺度搜索能检测到至少一个半径上的信号（固定网格一致性，Theorem 1）。

三、这篇论文做了什么¶

三句话¶

研究问题：提出一个多尺度球条件均值独立性检验（MBCMI），用于检测条件均值独立性在多元预测变量空间局部区域内的偏离，并给出诊断性中心-半径分解。
核心工具/方法：在每个数据点周围构造固定半径的球，聚合基于球的支持加权局部均值对比，在 71 个分位数半径上取最大值，并用 Rademacher 乘子（iid）或预白化递归符号自助法（时间序列）校准。
主要结论：固定网格理论证明了总体目标、对网格可见备择的一致性、以及由球光滑均值偏离控制的 Pitman 局部幂极限；iid 原始 Rademacher 最大值有原始 Ball 核有效性；时间序列递归符号自助法对稳定有限阶条件符号对称自回归有效；实证表明 MBCMI 对局部和径向信号最强，但存在几何特异性功率包络而非普遍占优。

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：

原假设：\(H_0: E[Y|X] = E[Y]\) 几乎必然（条件均值独立性）。注意：这允许条件方差、高阶矩依赖 \(X\)。
总体准则：\(Q(e) = E[p_e(Z) \{m_e(Z) - \mu\}^2]\)。这是检验的总体目标——当且仅当条件均值非常数时，存在足够小的 \(e\) 使得 \(Q(e) > 0\)（Proposition 1）。
样本统计量：\(T_n(e) = \sum_{i \in I_n(e)} N_i(e) \{\bar{Y}_i(e) - \bar{Y}\}^2\)。支持权重 \(N_i(e)\) 匹配总体准则中的 \(p_e(Z)\)。
多尺度聚合：\(T_n^{\max} = \max_{q \in \hat{Q}_n} T_n(\hat{e}_{n,q})\)，其中 \(\hat{Q}_n\) 是满足覆盖筛选（至少 20% 的中心有至少 10 个邻居）的分位数索引集。
半径选择：71 个分位数 \(q = 0.05, 0.06, \ldots, 0.75\)，基于经验成对距离。这是固定网格，不随 \(n\) 增长。
覆盖筛选：半径保留当且仅当 \(|I_n(e)| \ge \lceil \gamma n \rceil\)，其中 \(\gamma = 0.20\)，\(N_{\min} = 10\)。
iid 自助法：Rademacher 乘子 \(\xi_i\)，\(Y_i^* = \bar{Y} + \xi_i \hat{u}_i\)，保持残差幅度但打乱符号。
时间序列自助法：预白化递归 Rademacher 自助法——BIC 选择 AR 阶数，最小二乘估计系数，对估计的新息施加 Rademacher 符号，递归重新着色。
关键假设（Theorem 1，固定网格极限）：
iid 观测。
\(E|Y|^{4+\eta} < \infty\)。
总体标准化预测变量 \(Z\) 有紧支撑，满足均匀内锥条件，密度有正上下界。
每个索引的总体半径 \(e_q\) 是正的，有均匀正局部质量，是成对距离分布的连续点且密度为正。
固定最小邻居数增长慢于 \(o(n)\)。
关键假设（Theorem 2，iid Rademacher 有效性）：
上述条件 + \(E[u|Z] = 0\)（原假设）。
条件方差有正上下界。
条件 \((4+\eta)\) 阶矩一致有界。
至少一个索引的总体 Ball 核在 \(L^2(P_Z \times P_Z)\) 中非零。
关键假设（Theorem 3，时间序列有效性）：
稳定有限阶自回归 \(u_t = \sum_{j=1}^{p_0} \phi_j u_{t-j} + \eta_t\)，\(p_0 \le 6\)。
新息条件符号对称：\(\eta_t = a_t s_t\)，给定 \(\mathcal{A}_n\) 后 \(s_t\) 是独立 Rademacher 变量。
条件新息 \((4+\delta)\) 阶矩一致有界，二阶矩远离零。
真实阶数唯一包含在固定候选集中。
固定网格 Ball 矩阵满足杠杆条件（Appendix C）。

相比已有文献的放宽/强化： - 放宽：允许异方差（条件方差依赖 \(X\)），不需要全独立性。 - 强化：需要紧支撑和均匀正局部质量（Theorem 1），这比许多核检验的假设更强；时间序列需要条件符号对称（Theorem 3），这比鞅差假设更强。

主要结果¶

Theorem 1（固定网格极限与网格可见一致性）：在 iid 条件下，对每个固定 \(q \in Q\)，\(n^{-2} T_n(\hat{e}_{n,q}) \xrightarrow{p} Q(e_q)\)，联合收敛。如果至少一个索引半径有 \(Q(e_q) > 0\)，且校准特定的原假设临界值是 \(O_p(n)\)，则检验对该固定网格可见备择一致。

直觉：\(T_n(e)\) 是 \(O_p(n^2)\) 阶的（因为每个中心贡献 \(O_p(1)\)，有 \(n\) 个中心），除以 \(n^2\) 后收敛到总体准则。如果总体准则在某半径上为正，则 \(T_n^{\max}\) 是 \(O_p(n^2)\)，远大于原假设下的 \(O_p(n)\)，因此一致。
必要条件：备择必须在至少一个索引半径上“可见”——即 \(Q(e_q) > 0\)。局部识别（Proposition 1）保证存在某个小半径使得 \(Q(e) > 0\)，但该半径可能不在固定网格中（因为最小分位数 \(q=0.05\) 对应的半径随 \(n\) 增长保持正数，不一定趋于 0）。
解决的技术难点：处理样本标准化、经验分位数、覆盖筛选带来的 \(o_p(1)\) 误差项；证明 Ball 矩阵的核表示。

Proposition 2（Pitman 局部幂极限）：在局部备择 \(Y_{n,i} = \mu + n^{-1/2} \delta_0(Z_i) + \varepsilon_i\) 下，联合地，

\[\{ n^{-1} T_n(\hat{e}_{n,q}) : q \in Q \} \Rightarrow \{ \|G_q + \Delta_q\|^2 : q \in Q \},\]

其中 \(\{G_q\}\) 是原假设下的中心高斯 Hilbert 空间极限，\(\Delta_q\) 是 \(\delta_0\) 在 Ball 特征上的投影。如果至少一个 \(\Delta_q \ne 0\)，则极限拒绝概率严格大于 \(\alpha\)。

直觉：局部幂由均值偏离 \(\delta_0\) 在有限个 Ball 特征上的投影决定。正负交替的 \(\delta_0\) 可以在一个半径上抵消，而在另一个半径上可见。
必要条件：\(\delta_0\) 有界且平方可积；联合高斯律在位移的闭线性张上非退化。

Theorem 2（iid 原始 Rademacher 最大值有效性）：在 iid 原假设条件下，条件 Rademacher 律

\[\{ n^{-1} T_n^*(\hat{e}_{n,q}) : q \in Q \}\]

在 bounded-Lipschitz 距离下依概率收敛到与观测统计量相同的有限维二阶高斯混沌律。由于至少一个索引核非零，极限最大值没有正原子，因此理想 Rademacher 临界值有渐近水平 \(\alpha\)。

直觉：通过 Ball 核表示，将固定半径统计量转化为退化 V-统计量。Rademacher 乘子保持其退化结构，条件中心极限定理给出相同极限。
必要条件：见 Theorem 2 的假设（紧支撑、均匀局部质量、条件矩条件、至少一个非零核）。
解决的技术难点：证明 Ball 矩阵可以用总体核近似（Lemma 4）；处理有限秩截断和尾部控制。

Theorem 3（可行递归符号有效性）：在稳定有限阶条件符号对称自回归下，BIC 以概率趋于 1 选择真实阶数，最小二乘估计是 \(\sqrt{n}\)-相合的，可行预白化递归 Rademacher 半径向量的条件律在 bounded-Lipschitz 距离下收敛到 oracle 条件符号随机化律。如果 oracle 原始最大值的最大条件原子依概率收敛到 0，则可行原始最大值检验有渐近条件水平 \(\alpha\)。

直觉：oracle 版本（已知参数）是精确的条件随机化检验。可行版本用估计参数替换，每个替换步骤引入 \(o_p(1)\) 误差。
必要条件：见 Theorem 3 的假设（稳定 AR、条件符号对称、BIC 分离、Ball 矩阵杠杆条件）。
解决的技术难点：证明稳定 AR 滤波保持 Ball 杠杆（Lemma 5）；BIC 分离和最小二乘替换的渐近可忽略性（Lemma 6, 7）。

证明路线与技术技巧¶

整体路线（以 iid 原始 Rademacher 最大值有效性为例）：

Ball 矩阵的核表示（Lemma 4）：证明 \(n^{-1} T_n(\hat{e}_{n,q})\) 可以用总体 Ball 核 \(K_{e_q}(Z_r, Z_s) u_r u_s\) 的二次型近似，误差 \(o_p(1)\) 一致于 71 个半径。关键技巧：VC 类给出均匀收敛；样本标准化和经验分位数引入的误差通过成对距离的收缩壳控制。
退化 V-统计量表示：定义 \(h_q(W, W') = K_{e_q}(Z, Z') u u'\)，其中 \(W = (Z, u)\)。在原假设下，\(E[h_q(W, W') | W] = 0\)，因此是退化核。\(n^{-1} T_n(\hat{e}_{n,q})\) 近似于 \(n^{-1} \sum_{i,j} h_q(W_i, W_j)\)，这是一个退化 V-统计量。
谱分解与有限秩截断：退化核 \(h_q\) 生成一个正迹类算子，有特征值 \(\lambda_{q,r} \ge 0\) 和特征函数 \(\phi_{q,r}\)。截断到前 \(R\) 个特征值，统计量变为 \(\sum_{r=1}^R \lambda_{q,r} (n^{-1/2} \sum_i \phi_{q,r}(W_i))^2\)。
联合中心极限定理：收集所有 \((q,r)\) 的 \(\phi_{q,r}(W_i)\) 成一个有限维向量，应用多元 CLT 得到联合高斯极限。连续映射给出截断统计量的联合极限。
尾部控制：迹类性质保证截断误差随 \(R \to \infty\) 消失，一致于 \(q\)。
Rademacher 乘子版本：对自助法统计量，用 \(\xi_i \phi_{q,r}(W_i)\) 代替 \(\phi_{q,r}(W_i)\)。条件 Lindeberg 条件成立，因此条件律收敛到相同极限。
从核回到 Ball 矩阵：用 Lemma 4 的近似反向替换，得到原始统计量的极限。

关键跳跃点： - Lemma 4 的证明：这是最吃功夫的部分。需要同时处理：(a) 经验分母 \(N_i(e)/n\) 替换总体 \(p_e(Z_i)\)；(b) 样本标准化 \(\hat{Z}_i\) 替换总体 \(Z_i\)；(c) 经验分位数 \(\hat{e}_{n,q}\) 替换总体 \(e_q\)。每个替换引入 \(o_p(1)\) 误差，且需要一致于 71 个半径。技巧：用 VC 类给出均匀收敛率 \(O_p(\sqrt{(\log n)/n})\)；成对距离的收缩壳控制成员关系变化。 - 退化 V-统计量的自助法有效性：标准结果（Arcones and Giné, 1992）适用于单个退化 U-统计量，但这里需要联合 71 个半径。技巧：有限个半径意味着只需有限维联合收敛，可以用有限秩截断 + 尾部控制 + 对角线论证。

技术技巧点名： - VC 类：用于 Ball 指示函数的均匀收敛（Lemma 3, 4）。 - U-统计量分位数理论：用于经验成对距离分位数的 \(\sqrt{n}\)-相合性（Lemma 3）。 - 退化 V-统计量的谱分解：用于将二次型转化为加权卡方和（Theorem 6 证明）。 - 条件 Lindeberg-Feller：用于 Rademacher 乘子版本的条件 CLT（Theorem 6 证明）。 - 迹类算子尾部控制：用于去除有限秩截断（Theorem 6 证明）。 - 稳定 AR 滤波的杠杆保持：证明 AR 滤波不改变 Ball 矩阵的阶（Lemma 5）。 - BIC 分离：用于固定阶数选择的一致性（Lemma 6）。

真实例子与应用¶

数据：月度美国金融数据，1980 年 1 月至 2025 年 9 月，\(n=549\)。

场景 1：因子跨度问题：Fama-French 5 因子 + 动量因子。每个因子作为结果，其余 5 个因子作为同期预测变量。问：哪个因子的回报条件均值独立于其他因子的联合分布？

场景 2：宏观金融方程：市场超额回报、工业生产增长、失业率变化、Baa 利差变化作为结果，各自有同期预测变量集（包括 FEDFUNDS、通胀、失业率、期限利差等）。

方法应用： - 预测变量 z-score 标准化。 - 原始 \(q=0.05,0.06,\ldots,0.75\) 最大值。 - 支持权重 \(N_i\)。 - 20% 半径覆盖。 - \(B=999\) 预白化递归 Rademacher 自助法。 - Holm 调整分别用于 6 个因子方程和 4 个宏观方程。 - 滚动分析：240 个月窗口，1 个月步长。

结果： - 全样本：5 个因子方程（MKT, SMB, HML, CMA, Momentum）在 Holm 调整后拒绝；RMW 不拒绝。宏观方程中只有失业率变化拒绝（Holm \(p=0.028\)），但对尾部网格敏感（\(q \le 0.90\) 时 Holm \(p=0.084\)）。 - 交叉拟合残差 MBCMI：用 5 折时间顺序交叉拟合 OLS 去除线性成分后，10 个全样本方程没有一个拒绝。这表明全样本拒绝主要反映同期条件均值依赖（线性结构），而非独特的非线性结构。 - 滚动窗口：310 个窗口全部完成。动量在 2022 年 7 月的窗口是唯一一个在交叉拟合线性基准后仍显著的窗口（残差 \(p=0.030\)）。

这个例子想说明什么： 1. 验证理论：展示 MBCMI 在实际金融数据上的可行性，以及多尺度搜索的必要性（不同方程选择不同半径）。 2. 展示相对 baseline 的优势：通过交叉拟合残差分析，区分“条件均值依赖”和“超越线性结构”——这是方法论的亮点，不是功率比较。 3. 诊断价值：中心-半径分解可以定位拒绝的来源（如动量在 2022 年 7 月的特殊窗口）。

🔎 结论是否比证明窄¶

是，有多处：

时间序列自助法的理论覆盖比应用窄：Theorem 3 只覆盖条件符号对称新息的稳定有限阶 AR。但金融应用中的新息可能不对称（如杠杆效应），作者明确说：“Broader asymmetric martingale-difference dynamics therefore remain simulation-validated rather than theorem-covered.”（Section 1）和“Broader asymmetric martingale-difference dynamics remain outside that theorem and are evaluated by targeted serial calibration experiments.”（Section 7）。
固定网格一致性不是全一致性：Theorem 1 只保证对网格可见备择一致。作者承认：“Local identification at arbitrarily small radii does not guarantee this grid-visibility condition because the smallest population distance quantile stays positive as n grows. The procedure is therefore not an omnibus-consistent test against every nonconstant conditional mean.”（Section 3.1）。
iid 理论假设紧支撑：但 robustness 实验用了高斯、t、对数正态等非紧支撑分布。作者承认：“Gaussian, t, and lognormal predictor laws in the robustness experiment also lie outside the compact-support theorem and provide evidence beyond its formal scope.”（Section 3.4）。
Pitman 局部幂极限不是 minimax 最优性：作者明确说：“Proposition 2 does not assert minimax optimality or adaptation over shrinking spatial scales.”（Section 3.1）。
选中的半径是描述性的，不是结构参数：作者多次强调：“Selected radius and contribution regions are diagnostic objects, not structural parameters or causal regimes.”（Section 1）和“Selected radii describe the maximising scale inside that finite domain and do not estimate a unique structural signal width.”（Section 3.4）。

四、开放问题¶

非紧支撑/奇异支撑下的理论：iid 理论假设紧支撑和均匀正局部质量。能否推广到非紧支撑（如高斯预测变量）或低维流形上的奇异分布？扎根于 Section 3.4：“Primitive iid theory uses compact regular support and uniform local mass. Those assumptions deliberately simplify observed-centre and empirical-radius control and become demanding as dimension grows.”
一般鞅差序列的自助法有效性：时间序列理论只覆盖条件符号对称新息。能否证明预白化递归 Rademacher 自助法对更一般的鞅差序列（允许不对称、非线性）有效？扎根于 Section 3.3：“Broader asymmetric martingale-difference dynamics therefore remain simulation-validated rather than theorem-covered.”
增长网格的渐近理论：固定网格（71 个半径）是有限且固定的。能否让网格密度随 \(n\) 增长（如 \(q = 0.01, 0.02, \ldots, 0.99\)）并建立自适应最优性？扎根于 Section 3.1：“the grid contains 71 fixed indices; the result does not cover a grid whose cardinality grows with n.”
高维条件下的改进：当 \(d\) 较大时，球方法遭遇维数灾难。能否结合稀疏性（如只考虑少数活跃坐标）或投影追踪来改进功率？扎根于 Section 3.4：“Predictor dimension can make every local method sparse, and distance-quantile indexing does not remove the curse of dimensionality.”
MDD/MDC 的校准问题：作者排除了 MDD 因为其公共代码实现未通过校准筛选。这是实现问题还是理论问题？能否为 MDD 开发一个校准版本，使其进入公平比较？扎根于 Section 2.4：“This exclusion is an implementation-comparability decision, not evidence that MDD is theoretically invalid or intrinsically inferior.”

Maintained by 陈星宇 · Homepage · Source on GitHub