跳转至

Testing for Stable Intervals in Non-Stationary Time Series

作者: Florian Heinrichs
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.24194

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非平稳时间序列中“稳定区间”的存在性检验。其根本的统计问题是：给定一条随时间变化的信号（如均值函数或其导数），我们能否在控制第一类错误的前提下，判断是否存在一段长度至少为 δ 的区间，在该区间内信号偏离某个参考水平（或局部平坦度）不超过一个预先指定的容忍度 Δ。这与传统的“是否发生变化”或“是否存在显著偏离”的检验问题有本质区别：后者关注全局最坏点（supremum），而前者关注全局最优区间（infimum of suprema）。该方向当前成熟度较低——作者明确指出，在依赖且非平稳的误差下，尚无通用的稳定区间检验。

发展脉络

作者在引言中勾勒了一条清晰的引用链，将本文定位为“显然的下一步”：

  1. 奠基工作：稳态检测（Steady-state detection）。Cao and Rhinehart (1995) 和 Kelly and Hedengren (2013) 提出了针对独立同分布误差的稳态检测算法。作者评价：“commonly rely on independent, identically distributed errors or do not provide theoretical guarantees”。这些工作为问题提供了工程动机，但缺乏统计推断框架。

  2. 主要进展：变点检测（Change point detection）。Basseville et al. (1993)、Fryzlewicz (2014)、Frick et al. (2014)、Cho and Fryzlewicz (2015) 等发展了丰富的变点检测方法。作者评价：“they usually search for abrupt changes and impose piecewise stationary models”。这些方法允许更丰富的依赖结构，但目标不同——它们寻找的是突变点，而非一段持续稳定的区间。

  3. 当前 Frontier：局部平稳时间序列的相关性检验（Relevant-change testing）。Vogt and Dette (2015)、Dette and Wu (2019)、Heinrichs and Dette (2021)、Mies (2023) 在局部平稳框架下发展了检验方法。作者评价：“existing tests mainly address whether changes occur somewhere or whether deviations are relevant”。这些工作与本问题最为接近，但检验的是全局最大偏离（supremum），而非全局最小窗口偏离（infimum of suprema）。

  4. 本文位置：作者声称：“To the best of our knowledge, there is no general test for the existence of a relevant stable period under dependent and non-stationary errors.” 本文填补了这一空白，将相关变化检验（Bücher et al., 2021）的框架从全局上确界推广到 inf-sup 泛函，并同时处理了时变长期方差和导数假设。

子线索聚类

这些被引文献大致落在三条子线索上：

  • 线索一：稳态检测与工程应用（Cao and Rhinehart, 1995; Kelly and Hedengren, 2013）。这类工作由工程问题驱动，方法简单，但通常缺乏严格的统计理论，且假设误差独立同分布。
  • 线索二：变点检测（Basseville et al., 1993; Fryzlewicz, 2014; Frick et al., 2014; Cho and Fryzlewicz, 2015）。这类工作理论成熟，允许复杂依赖结构，但核心目标是检测突变点，而非识别一段持续稳定的区间。其模型通常假设分段平稳。
  • 线索三：局部平稳时间序列的相关性检验（Vogt and Dette, 2015; Dette and Wu, 2019; Heinrichs and Dette, 2021; Mies, 2023; Bücher et al., 2021）。这是与本文最直接相关的线索。这些工作发展了在局部平稳框架下检验“是否存在相关变化”的方法，其检验统计量通常是全局上确界。Bücher et al. (2021) 是本文最直接的竞争/基础工作，它处理了常数长期方差下的 sup-norm 相关变化检验。本文将其扩展到时变长期方差和导数假设，并将检验目标从 sup 转向 inf-sup。

核心问题与瓶颈

这个方向在追问的核心问题有 2-3 个：

  1. 如何定义“稳定区间”并构造一个可检验的统计泛函？ 瓶颈在于：与全局上确界不同，inf-sup 泛函的渐近行为由极值集（extremal set）决定，而非整个定义域。这使得传统的极值理论需要针对“收缩的极值集”进行推广。
  2. 如何处理时变长期方差下的极值近似？ 瓶颈在于：当方差随时间变化时，有效独立块的数量不仅取决于极值集的几何形状，还取决于方差在该集上的分布。传统的极值理论通常假设常数方差。
  3. 如何校准检验，使其在有限样本下有可用的水平控制？ 瓶颈在于：Gumbel 极值分布收敛速度慢，需要开发基于高斯近似的校准方法。

⚠️ 作者的 Framing

  • 作者把缺口 frame 成什么？ 作者将缺口 frame 为“现有方法要么缺乏理论保证（稳态检测），要么目标不同（变点检测），要么检验的是全局最坏点而非全局最优区间（相关变化检验）”。因此，本文的“显然的下一步”是：在局部平稳框架下，为 inf-sup 泛函构造一个具有渐近水平控制和一致性的检验，并发展相应的极值理论。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了贝叶斯方法或基于模型选择的方法（如通过 BIC 选择分段常数模型）。这些方法可能也能回答“是否存在稳定区间”的问题，但作者未在引言中讨论。作者也回避了非参数 bootstrap 校准的可能性，而是专注于极值理论和高斯近似。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者未引用关于“极值集”或“近极值集”上高斯过程极值理论的一般性文献（如 Piterbarg, 1996 的专著，虽然在技术部分引用了）。这可能是作者认为这些是技术工具而非领域背景。此外，关于“inf-sup”泛函的统计推断（例如在非参数回归中检验函数是否在某个区间内平坦）的文献可能被遗漏了。（这是值得研究者去查的问题）

张力

未见明显对立引用。所有被引工作都沿着“从简单到复杂、从独立到依赖、从全局到局部”的路径发展，彼此之间没有根本矛盾。

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：

    • \(n\): 样本量。
    • \(i = 1, \dots, n\): 时间索引。
    • \(X_{i,n}\): 在时间点 \(i/n\) 的可观测时间序列值。
    • \(\mu(t)\): 定义在 \(t \in [0,1]\) 上的未知、平滑的均值函数（参数/estimand）。
    • \(\varepsilon_{i,n}\): 中心化的、局部平稳的误差项（随机变量）。
    • \(d(t)\): 从 \(\mu\) 导出的“稳定性信号”（参数/estimand）。例如 \(d(t) = \mu'(t)\)（局部平坦度）或 \(d(t) = \mu(t) - g(\mu, t)\)（偏离参考水平）。
    • \(\delta \in [0,1]\): 最小稳定区间长度（用户指定的超参数）。
    • \(\Delta > 0\): 容忍度（用户指定的超参数）。
    • \(d_\infty = \inf_{t \in [0,1-\delta]} \sup_{s \in [t, t+\delta]} |d(s)|\): 最小化窗口偏差（目标参数/estimand）。这是整个检验的核心。
    • \(H_0: d_\infty \ge \Delta\): 原假设，表示不存在长度为 \(\delta\) 且偏差不超过 \(\Delta\) 的稳定区间。
    • \(H_1: d_\infty < \Delta\): 备择假设，表示存在至少一个这样的稳定区间。
    • \(\hat{d}_n(t)\): 基于局部线性回归的 \(d(t)\) 的估计量（随机变量）。
    • \(\hat{d}_{n,\infty} = \inf_{t \in [0,1-\delta]} \sup_{s \in [t, t+\delta]} |\hat{d}_n(s)|\): 目标参数的 plug-in 估计量（检验统计量）。
    • \(\sigma^2(t)\): 时变长期方差（nuisance parameter）。
    • \(h_n\): 局部线性回归的带宽（调优参数）。
    • \(r_n\): 点态收敛速率。对于水平稳定性（\(d = \mu - g\)），\(r_n = \sqrt{n h_n}\)；对于导数稳定性（\(d = \mu'\)），\(r_n = \sqrt{n h_n^3}\)。
    • \(K^*\): 等效核（equivalent kernel），取决于估计的是水平还是导数。
    • \(E\): 极值集（extremal set），即信号 \(d\) 达到最小化窗口偏差 \(d_\infty\) 的那些点。
    • \(E(\varphi_n)\): 近极值集（near-extremal set），即信号 \(d\) 与 \(d_\infty\) 的偏差不超过 \(\varphi_n\) 的那些点。这是渐近分析的关键区域。

  • 模型：

    • 数据生成机制：\(X_{i,n} = \mu(i/n) + \varepsilon_{i,n}\)。这是一个非参数回归模型，其中均值函数 \(\mu\) 是平滑的，误差项 \(\varepsilon_{i,n}\) 是局部平稳的。
    • 误差结构：\(\varepsilon_{i,n} = H(i/n, \mathcal{F}_i)\)，其中 \(H\) 是一个非线性滤波器，\(\mathcal{F}_i\) 是 i.i.d. 创新序列的过去。这允许误差具有时变的方差和自相关结构。物理依赖度量（physical dependence measure）\(\delta(H, i)\) 用于控制依赖的强度。
    • 已知/未知：\(\mu\) 和 \(\sigma^2(t)\) 是未知的。\(K\)（核函数）、\(h_n\)、\(\delta\)、\(\Delta\) 是用户选择的。\(\mu\) 的平滑性（二阶可导）和 \(\sigma^2\) 的 Lipschitz 连续性被假设。

  • 可观测数据：

    • 可观测：时间序列 \(\{X_{i,n}\}_{i=1}^n\)。
    • 不可观测/潜在：均值函数 \(\mu(t)\)，误差项 \(\varepsilon_{i,n}\)，长期方差 \(\sigma^2(t)\)，以及最重要的——稳定性信号 \(d(t)\) 和其最小化窗口偏差 \(d_\infty\)。所有推断都依赖于对 \(\mu\) 和 \(\sigma^2\) 的估计。

第二步：讲最小内核

本文的核心思路可以浓缩为一个最简特例：假设我们想检验均值函数 \(\mu\) 本身（即 \(d = \mu\)）在某个长度为 \(\delta\) 的区间内是否稳定在零附近（即参考水平 \(g \equiv 0\)），且误差是独立同分布的高斯白噪声（\(\sigma^2(t) \equiv 1\)）。

在这个特例下： - 模型：\(X_i = \mu(i/n) + \varepsilon_i\)，\(\varepsilon_i \sim N(0,1)\) i.i.d. - 目标：检验 \(H_0: d_\infty = \inf_{t \in [0,1-\delta]} \sup_{s \in [t, t+\delta]} |\mu(s)| \ge \Delta\)。 - 估计：使用核平滑（如 Nadaraya-Watson）估计 \(\hat{\mu}_n(t)\)。点态速率 \(r_n = \sqrt{n h_n}\)。 - 检验统计量：\(\hat{d}_{n,\infty} = \inf_{t \in [0,1-\delta]} \sup_{s \in [t, t+\delta]} |\hat{\mu}_n(s)|\)。

核心数学困难：\(\hat{d}_{n,\infty}\) 的渐近分布不是由 \(\hat{\mu}_n\) 在整个区间上的最大值决定的，而是由它在那些使得 \(\sup_{s \in [t, t+\delta]} |\mu(s)|\) 接近 \(d_\infty\) 的窗口上的行为决定的。这些窗口的集合就是近极值集 \(E(\varphi_n)\)。

关键想法：作者通过一个定位引理（Proposition 2） 将问题简化。该引理表明，在概率趋于1的情况下，检验统计量的偏差 \(\hat{d}_{n,\infty} - d_\infty\) 可以被近极值集 \(E(\varphi_n)\) 上的有符号估计误差所控制：

\[\hat{d}_{n,\infty} - d_\infty \ge \inf_{t \in E(\varphi_n)} \text{sgn}(d(t)) \{\hat{d}_n(t) - d(t)\}\]
这个下界意味着，要控制检验统计量，我们只需要理解 \(\hat{d}_n - d\) 在一个收缩的、由信号 \(d\) 的几何形状决定的集合上的上确界分布。这比理解整个区间上的上确界要容易得多，因为 \(E(\varphi_n)\) 的“有效大小”远小于 \([0,1]\)。

为什么成立（直觉）：对于不在近极值集内的窗口，其窗口偏差 \(\sup_{s \in [t, t+\delta]} |\mu(s)|\) 严格大于 \(d_\infty\)。由于 \(\hat{\mu}_n\) 一致收敛到 \(\mu\)，这些窗口的估计偏差 \(\sup_{s \in [t, t+\delta]} |\hat{\mu}_n(s)|\) 也会严格大于 \(d_\infty\)，因此它们不会影响下确界。只有那些窗口偏差接近 \(d_\infty\) 的窗口，其估计偏差才可能“竞争”成为新的下确界。因此，整个问题就“定位”到了近极值集上。

结论：在这个最简特例下，本文做了一件非常清晰的事：它证明了 \(\hat{d}_{n,\infty}\) 的渐近分布等价于一个在收缩的、由信号几何决定的集合上的高斯过程的极值分布，并给出了一个可操作的 Gumbel 或高斯校准方法。论文的一般情形（时变方差、导数信号、依赖误差）只是在这个核心思想上“加壳”，处理了更复杂的估计和近似技术。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在非平稳时间序列回归模型中，检验是否存在一段长度至少为 \(\delta\) 的区间，在该区间内一个由均值函数导出的信号（如均值本身或其导数）偏离参考水平不超过容忍度 \(\Delta\)。
  2. 核心工具/方法：使用局部线性回归估计信号，构造基于 inf-sup 泛函的 plug-in 检验统计量。通过极值集和近极值集的概念将渐近分析定位到信号几何决定的收缩区域，并推导了在该区域上、在时变长期方差下的高斯近似和极值近似。
  3. 主要结论：所提出的检验具有渐近水平控制（Theorem 1）且对固定备择假设一致（Corollary 1）。作为副产品，该理论将 Bücher et al. (2021) 的 sup-norm 相关变化检验推广到了时变长期方差和导数假设的情形。

关键设定与假设

在第二节最小记号的基础上，完整设定如下：

  • 模型：\(X_{i,n} = \mu(i/n) + \varepsilon_{i,n}\)，\(\mu\) 二次可导且二阶导数 Lipschitz 连续（Assumption 3.1）。
  • 误差：\(\varepsilon_{i,n}\) 是局部平稳的，由物理依赖度量控制（Assumption 2）。这允许误差具有时变的方差和自相关结构。关键假设是长期方差 \(\sigma^2(t)\) 存在、Lipschitz 连续且有正下界。
  • 信号：\(d(t)\) 可以是 \(\mu'(t)\) 或 \(\mu(t) - g(\mu, t)\)。对于后者，需要估计 \(g\)，且估计误差需足够小（Assumption 4）。
  • 极值集几何：这是本文最关键的假设（Assumption 3）。它假设极值集 \(E\) 是有限个闭区间和孤立点的并集，并且信号 \(d\) 在 \(E\) 的边界附近以多项式速率（指数 \(\alpha_{x,\nu}\)）偏离 \(d_\infty\)。这个假设控制了近极值集 \(E(\varphi_n)\) 的“厚度”，是后续极值近似的基石。相比已有文献，这个假设明确处理了极值集可能退化为孤立点的情况（Assumption 3.3），这是本文的一个技术贡献。
  • 方差剖面：Assumption 6 对长期方差 \(\sigma^2(t)\) 在极值集上的行为做了类似假设，以确保有效样本量 \(W_n\) 的估计是可行的。它区分了方差最大值在非退化区间上达到（Assumption 6.1）和仅在孤立点上达到（Assumption 6.2）两种情况。
  • 速率条件：Assumption 5 是一系列关于带宽 \(h_n\) 和块长 \(\rho_n\) 的技术性速率条件，用于保证高斯近似和极值近似的误差可控。

主要结果

  • Theorem 1 (渐近有效性)：这是本文的核心定理。它证明了在适当的假设下，检验统计量 \(T_n(d_\infty)\) 的渐近分布被一个标准 Gumbel 分布随机控制（stochastically dominates），即 \(\liminf_{n \to \infty} P(T_n(d_\infty) \le x) \ge \exp(-\exp(-x))\)。这意味着使用 Gumbel 分位数作为临界值的检验是保守的（asymptotic level control）。该定理的关键在于，它通过 Proposition 2 的定位引理，将检验统计量的分布下界与近极值集上的有符号估计误差的极值分布联系起来。
  • Corollary 1 (检验的相合性)：基于 Theorem 1 的检验规则（当 \(T_n(\Delta) > q_{1-\alpha}\) 时拒绝）具有渐近水平 \(\alpha\)，并且对所有满足 \(0 \le d_\infty < \Delta\) 的固定备择假设是一致的。证明的关键在于，当 \(d_\infty = 0\) 时，\(\hat{d}_{n,\infty}\) 以 \(O_P(\sqrt{|\log h_n|}/r_n)\) 的速度收敛到 0，而检验统计量 \(T_n(\Delta)\) 发散到无穷。
  • Theorem 2 & 3 (局部化的近似理论)：这两个定理是技术核心，为 Theorem 1 提供了基础。
    • Theorem 2 证明了在近极值集 \(A_n\) 上，归一化后的估计误差 \(\frac{r_n}{\hat{\sigma}_{\max}(A_n)} \sup_{t \in A_n} (\hat{d}_n(t) - d(t))\) 在分布上等价于一个高斯核过程的上确界。这个高斯过程具有时变尺度 \(\sigma(t)\)。
    • Theorem 3 进一步将高斯近似简化为一个显式的 Gumbel 分布。它给出了一个下界（不等式），并在 Assumption 6 下给出了等式。这个定理的关键在于，它通过一个 Pickands 型尾部近似（Theorem 4）和块分解技术，将高斯过程上确界的分布与有效样本量 \(W_n\) 和中心化常数 \(a_n\) 联系起来。

证明路线与技术技巧

  • 整体路线：

    1. 定位（Localization）：通过 Proposition 2，将 \(\hat{d}_{n,\infty} - d_\infty\) 的下界与近极值集 \(E(\varphi_n)\) 上的有符号估计误差 \(\inf_{t \in E(\varphi_n)} \text{sgn}(d(t))\{\hat{d}_n(t) - d(t)\}\) 联系起来。这一步将全局 inf-sup 问题转化为一个局部 sup 问题。
    2. 高斯近似（Gaussian Approximation）：使用 Bücher et al. (2021) 的技术，将 \(\hat{d}_n - d\) 在 \(E(\varphi_n)\) 上的过程近似为一个高斯核过程（Theorem 2）。这涉及对局部线性估计的线性化、对时变长期方差的估计，以及一个强逼近（strong approximation）步骤。
    3. 极值近似（Extreme Value Approximation）：对高斯核过程在 \(E(\varphi_n)\) 上的上确界应用极值理论。由于 \(E(\varphi_n)\) 是收缩的，且 \(\sigma(t)\) 时变，不能直接套用标准结果。作者将 \(E(\varphi_n)\) 分解为长度为 \(\rho_n\) 的块，并利用一个 Pickands 型尾部近似（Theorem 4）来计算每个块上超过高阈值的概率。然后通过 Bonferroni 不等式和双求和技巧，得到上确界的 Gumbel 近似（Theorem 3）。
    4. 估计替换（Plug-in）：由于 \(E(\varphi_n)\) 和 \(\sigma(t)\) 未知，需要用其估计 \(\hat{E}(\varphi_n)\) 和 \(\hat{\sigma}_n(t)\) 替换。Proposition 1 和 Proposition 6/7 证明了这种替换的误差是渐近可忽略的，从而得到可行的检验统计量 \(T_n(\Delta)\)。

  • 关键跳跃点：

    • 从全局 inf-sup 到局部 sup 的跳跃（Proposition 2）：这是整个证明的基石。它依赖于 \(\hat{d}_n\) 的一致收敛性和 \(d\) 的连续性，将问题从寻找“最佳窗口”转化为分析“近最佳窗口”上的估计误差。这个跳跃的严谨性依赖于对近极值集 \(E(\varphi_n)\) 的精确定义。
    • 处理时变长期方差下的极值近似（Theorem 3）：这是技术上的主要难点。作者引入了“有效样本量” \(W_n\) 的概念，它通过指数权重 \(\exp(-\ell_n^2/2 [\sigma^2_{\max}/\sigma^2(\xi) - 1])\) 来“降权”那些方差较小的块。这使得只有方差接近最大值的块才对极值行为有贡献。Assumption 6 确保了 \(W_n\) 的估计是可行的，并且极值近似是锐利的（等式而非不等式）。

  • 技术技巧点名：

    • Empirical process / 强逼近：用于将 \(\hat{d}_n - d\) 近似为高斯过程（Theorem 2 的证明，引用 Bücher et al. 2021）。
    • 块分解（Block decomposition）：将近极值集 \(E(\varphi_n)\) 分解为长度为 \(\rho_n\) 的块，以处理局部依赖（Section 3.2）。
    • Pickands 型尾部近似：用于计算高斯过程在单个块上的上尾概率（Theorem 4）。该定理推广了经典的 Pickands 常数，并处理了块长度随 \(n\) 变化的情况。
    • Bonferroni 不等式与双求和技巧：用于从块上的尾部概率推导出整个集合上上确界的分布（Lemma 2 的证明）。
    • 有效样本量（Effective sample size）\(W_n\)：一个巧妙的构造，用于量化在时变方差下，有多少个“近似独立”的块对极值行为有贡献。
    • 极值集几何的假设（Assumption 3）：通过多项式边界指数 \(\alpha_{x,\nu}\) 来刻画近极值集的“厚度”，这是控制估计替换误差的关键。

真实例子与应用

本文包含两个真实数据例子，均在 Section 5.2 中。

  1. 平均动脉压（MAP）数据：

    • 数据：来自 VitalDB 数据库的 250 例手术患者的侵入性 MAP 记录。
    • 方法应用：定义信号 \(d(t) = \mu(t) - 72.5\) mmHg，容忍度 \(\Delta = 7.5\) mmHg（对应 MAP 在 65-80 mmHg 的目标范围），最小稳定时长 \(\delta = 10\) 分钟。检验 \(H_0: d_\infty \ge 7.5\)。
    • 结果：Gumbel 校准检验拒绝了 51/250 例（20.4%），高斯校准检验拒绝了 70/250 例（28%）。
    • 目的：展示方法在临床问题中的应用。它回答的不是“MAP 是否恒定”，而是“是否存在一段临床上可接受的稳定期”。这验证了方法的实际解释力。

  2. 电池电压数据：

    • 数据：CALCE A123 电池在不同温度下的低电流开路电压（OCV）放电曲线。
    • 方法应用：使用导数信号 \(d(t) = \mu'(t)\)（局部平坦度），斜率容忍度 \(\Delta = 0.01\) V/h，最小平台时长 \(\delta\) 从 2 到 8 小时变化。检验 \(H_0: \inf_t \sup_{s \in [t, t+\delta]} |\mu'(s)| \ge 0.01\)。
    • 结果：对于 \(\delta \le 6\) 小时，所有电池-温度组合都强烈拒绝原假设。对于 \(\delta = 7\) 小时，结论依赖于校准方法和温度。对于 \(\delta = 8\) 小时，没有检验拒绝。
    • 目的：展示方法在工程问题中的应用，特别是导数稳定性。它提供了一个量化的、带有不确定性声明的电压平台存在性检验，而非仅仅视觉确认。表格 2 清晰地展示了不同 \(\delta\) 下的 p 值变化。

🔎 结论是否比证明窄

  • Theorem 1 的保守性：Theorem 1 给出的结论是 \(\liminf P(T_n(d_\infty) \le x) \ge \exp(-\exp(-x))\)，即一个下界。这意味着检验是保守的（实际水平低于名义水平）。作者在 Section 3.3 中明确讨论了何时可以收紧为等式，但并未在一般条件下证明等式。因此，核心结论（检验的渐近有效性）是保守的，而非锐利的。这在模拟中得到了体现（Gumbel 校准的检验确实更保守）。
  • Assumption 3 和 6 的必要性：这些关于极值集和方差剖面几何形状的假设非常强。作者在 Section 3.1 中承认：“The polynomial exponents in Assumption 3 are used only to control the size of deterministic shells around the extremal set.” 并指出“may be replaced by any regular boundary modulus”。这表明这些假设主要是为了技术证明的便利，而非问题的本质。结论的适用范围可能比证明所暗示的更广，但作者没有给出更弱条件下的证明。
  • “一致性”的证明：Corollary 1 证明了对固定备择假设的一致性。但作者没有讨论对局部备择假设（local alternatives，如 \(d_\infty = \Delta - c_n\)，其中 \(c_n \to 0\)）的检验功效。这是一个常见的开放问题。

四、开放问题

  1. 锐利化渐近分布：Theorem 1 只给出了 Gumbel 近似的下界。在什么更弱的条件下（比 Assumption 3 和 6 更弱），可以证明 \(\lim P(T_n(d_\infty) \le x) = \exp(-\exp(-x))\)？这需要更精细地分析定位引理中的不等式何时成为等式。扎根点：Theorem 1 后的讨论和 Section 3.3 中关于“sharpened to equality”的条件。

  2. 局部备择假设下的功效：本文只证明了对固定备择假设的一致性。检验在局部备择假设（如 \(d_\infty = \Delta - \gamma_n\)，\(\gamma_n \to 0\)）下的渐近功效如何？最优的 \(\gamma_n\) 速率是多少？这与 minimax 最优性相关。扎根点：Corollary 1 只覆盖了固定备择假设。

  3. 调优参数的自适应选择：检验的性能依赖于多个调优参数：带宽 \(h_n\)、块长 \(\rho_n\)、定位参数 \(\varphi_n\)。作者在模拟中给出了基于速率的默认选择，但缺乏数据驱动的自适应选择方法。如何以数据驱动的方式选择这些参数，以优化有限样本下的检验功效和水平控制？扎根点：Section 5.1 中关于调优参数选择的描述：“These choices are not intended to be optimal tuning rules, but rather stable default choices”。

  4. 扩展到更复杂的信号和结构：本文考虑了均值函数及其导数。能否将框架扩展到其他信号，如方差函数、自协方差函数，或更一般的泛函？能否处理多元时间序列或函数型数据？扎根点：Introduction 中提到的信号 \(d\) 的例子（\(d = \mu'\) 和 \(d = \mu - g\)）是具体的，但框架本身可能更通用。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论