Random Invariance Testing on Quadratic Form Statistics with Application to Autocorrelation¶

作者: Amitakshar Biswas, Adam B Kashlak
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.25918

一、领域脉络与小综述¶

这个方向是什么¶

本文所处的子方向是 “基于群不变性的随机化检验”。其根本问题是：在非参数假设检验中，如何利用数据在某个变换群（如置换、反射、旋转）下的不变性，构造出精确的（exact）或渐近有效的 p 值，而无需对数据分布做参数假设。传统做法是 Monte Carlo 模拟大量随机变换来逼近 p 值，但计算成本高，尤其当群很大（如置换群 n!）或生成随机元素本身就很昂贵（如 SO(n) 的 QR 分解）时。当前该方向的成熟度：理论框架（随机化检验的有效性、一致性）已较完善，但计算上可行的闭式 p 值仍是一个活跃的开放问题。

发展脉络（history）¶

奠基工作：Lehmann & Romano (2006) 的教科书系统阐述了随机化检验（permutation test）的框架，其核心是“随机化假设”（randomization hypothesis）：在 H0 下，数据分布对某个变换群不变。Durbin & Watson (1950, 1951, 1971) 提出了经典的 Durbin-Watson 检验，用于检测线性模型残差的一阶自相关，但其 p 值依赖正态性假设和数值算法（如 Imhof 1961 的加权卡方分布求逆）。
主要进展：
随机化检验的一致性：Dobriban (2022) 在信号+噪声模型下，利用表示论（representation theory）建立了随机化检验一致性的通用框架，并发现某些情况下随机化检验能达到 minimax 最优检测率。这为随机化检验提供了理论正当性。
解析 p 值方法：Kashlak 等人 (2020, 2022) 提出“无计算置换检验”（computation-free permutation test），利用浓度不等式（如 Khintchine 不等式、Rademacher chaos 的矩界）为置换检验和反射检验导出闭式 p 值，并引入 beta 校正（beta correction）来恢复因保守常数损失的功效。这是本文最直接的前驱工作。
高效子群采样：Koning & Hemerik (2023) 和 Koning (2024) 提出用精心设计的子群（subgroup）代替随机采样，在保持检验精确性的同时提升功效，并降低计算成本。这从另一个角度（算法设计）回应了计算负担问题。
当前 frontier：如何将解析 p 值方法推广到更一般的群（如旋转群 SO(n)）和更一般的统计量（如二次型），同时保持闭式表达和可接受的功效。本文正是这一方向的直接推进。
本文的位置：作者将 Kashlak 等人 (2020, 2022) 的“无计算置换检验”思路从置换群和反射群推广到旋转群 SO(n)，并统一处理了三种对称群（反射、置换、旋转）。具体地，他们为二次型统计量（quadratic form statistics）在 SO(n) 上的随机化检验导出了闭式 p 值（方程 3.5），并应用于时间序列自相关检验，提出了 Durbin-Watson 检验的非参数变体。

子线索聚类¶

这些被引文献大致落在三条子线索上：

线索 A：经典自相关检验。包括 Durbin-Watson 检验（Durbin & Watson, 1950, 1951, 1971）、Breusch-Godfrey 检验（Breusch, 1978; Godfrey, 1978）、Ljung-Box 检验（Ljung & Box, 1978）。这些检验要么依赖正态性假设（Durbin-Watson），要么依赖大样本渐近（Breusch-Godfrey, Ljung-Box），且 Durbin-Watson 通常只针对滞后 1。本文将其作为对比 baseline。
线索 B：随机化检验的理论与计算。包括 Lehmann & Romano (2006) 的教科书、Dobriban (2022) 的一致性理论、Koning & Hemerik (2023) 和 Koning (2024) 的高效子群方法。这一线索关注随机化检验的有效性（type I error control）和计算可行性。本文属于这一线索，但侧重解析 p 值而非子群采样。
线索 C：解析 p 值方法。包括 Kashlak & Yuan (2022) 和 Kashlak et al. (2020, 2022)。这一线索的核心是：用浓度不等式（如 Azuma-Hoeffding、Rademacher chaos 的矩界）为随机化检验统计量导出指数型尾界，再通过 beta 校正恢复功效，从而避免 Monte Carlo 模拟。本文是这一线索的直接延伸，将其从置换/反射群推广到旋转群。

这个方向在追问的核心问题¶

如何避免 Monte Carlo 模拟？ 对于大群（如置换群 n!、旋转群 SO(n)），穷举或大量采样不可行。解析 p 值方法（如本文）和高效子群方法（如 Koning 2024）是两条主要路径。
如何将随机化检验推广到更一般的群？ 除了置换群，反射群和旋转群在什么统计问题上有自然的不变性？如何为这些群导出可计算的 p 值？
如何提高随机化检验的功效？ 浓度不等式给出的尾界通常过于保守（常数太大），导致功效损失。beta 校正（本文）和子群设计（Koning & Hemerik）是两种补救策略。
随机化检验的一致性条件是什么？ Dobriban (2022) 给出了部分答案，但针对更一般的统计量和更一般的群，一致性条件尚不清晰。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么？ 作者在引言中强调：“随机旋转检验的文献远不如置换检验丰富”，且“生成均匀随机旋转矩阵的计算成本很高（需要 QR 分解）”。因此，他们声称自己的贡献是：为二次型统计量在 SO(n) 上的随机化检验提供一个统一的、基于浓度不等式的闭式 p 值方法，从而“避免了大规模 Monte Carlo 模拟的必要性”。他们进一步将这一方法应用于自相关检验，声称其“在统计功效上优于经典的 Breusch-Godfrey 和 Ljung-Box 检验”。
哪些竞争路线被他淡化或回避了？
经典检验的成熟性：作者承认 Durbin-Watson 在滞后 1 上功效最高，但强调它“通常只针对滞后 1”。然而，Breusch-Godfrey 和 Ljung-Box 是同时检验所有滞后 1 到 h 的 omnibus 检验，而本文的检验是逐个滞后（per-lag）检验。作者在模拟中直接比较了这两种不同类型的检验（单滞后 vs. 多滞后），这本身是不公平的。作者在 4.5 节通过 Fisher 方法组合 p 值来回应，但 Fisher 方法要求 p 值独立，而作者仅证明了不同滞后的统计量不相关（Proposition 3.9），并未证明独立。
高效子群方法：作者在 Remark 1.1 中提到了 Koning & Hemerik (2023) 和 Koning (2024)，但仅将其定位为“现代方法”，并未与自己的解析方法进行任何比较（无论是理论还是模拟）。这留下了一个明显的空白：在功效和计算之间，解析方法和子群方法孰优孰劣？
什么明显该被引/该存在、却没出现在 intro 里？
关于 U-统计量的检验：本文的检验统计量是二次型，而高阶 U-统计量（如 Kendall's tau、方差估计的 U-统计量）也是二次型的推广。作者的研究兴趣中明确包含“higher-order U-statistics”，但本文并未引用任何关于 U-统计量随机化检验的工作（如 Hoeffding 1948 的 U-统计量理论，或更近期的关于 U-统计量置换检验的工作）。这可能是一个值得研究者去查的 gap：本文的框架能否推广到高阶 U-统计量？
关于统计-计算权衡：本文的核心是“用闭式 p 值替代 Monte Carlo 模拟”，这本质上是一个计算-统计的 tradeoff：闭式 p 值（计算快）可能损失功效（相对于精确的 Monte Carlo 模拟）。作者在 4.7 节确实比较了“浓度 vs. 计算”，但并未从理论角度（如 minimax 检测率）刻画这一 tradeoff。Dobriban (2022) 的工作已经为随机化检验的一致性提供了理论框架，但并未涉及计算复杂度。将统计-计算权衡引入随机化检验是一个自然的延伸。

张力¶

未见明显对立引用。所有被引工作都承认随机化检验的有效性，分歧主要在于如何高效计算 p 值（解析 vs. 子群 vs. Monte Carlo）。本文与 Koning & Hemerik (2023) 之间可能存在一种“未言明的张力”：前者用解析方法避免计算，后者用子群设计减少计算，但两者都声称在功效上优于传统 Monte Carlo 方法。直接比较这两种方法会很有价值。

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：
\( X \in \mathbb{R}^n \)：观测到的数据向量（如时间序列的 n 个观测值）。在本文中，通常假设 \( X \) 已被中心化并归一化到单位球面 \( S^{n-1} \)（即 \( \|X\| = 1 \)）。
\( A \in \mathbb{R}^{n \times n} \)：一个固定的对称矩阵，定义了二次型统计量 \( q(x; A) = x^T A x \)。
\( A_h \)：滞后 h 的移位矩阵（shift matrix），其元素为 \( (A_h)_{i,i+h} = 1/2 \) 和 \( (A_h)_{i+h,i} = 1/2 \)，其余为 0。因此 \( X^T A_h X = \sum_{t=1}^{n-h} X_t X_{t+h} \)，即样本自协方差（未归一化）。
\( B_h = (A_h + A_h^T)/2 \)：\( A_h \) 的对称化版本。由于 \( A_h \) 本身不对称，但 \( X^T A_h X = X^T B_h X \)。
\( G \)：一个紧群（compact group），本文主要考虑三种：
- \( SO(n) \)：特殊正交群（旋转矩阵，行列式为 1）。
- \( S(n) \)：对称群（置换矩阵）。
- \( B(n) = \{-1, 1\}^n \)：反射群（对角矩阵，对角元为 ±1）。
\( M \in G \)：从 \( G \) 上按 Haar 测度均匀抽取的随机元素（随机旋转/置换/反射）。
\( \hat{T}_h(M) = (M X)^T A_h (M X) \)：随机化后的检验统计量。当 \( M = I \)（单位矩阵）时，\( \hat{T}_h(I) = X^T A_h X \) 是原始观测的统计量。
\( \eta_h = \text{corr}(X_t, X_{t+h}) \)：滞后 h 的自相关系数（参数/estimand）。
\( \hat{\eta}_h = X^T A_h X / \|X\|^2 \)：样本自相关系数（由于 \( \|X\|=1 \)，\( \hat{\eta}_h = X^T A_h X \)）。
\( n \)：样本量。
\( h \)：滞后阶数（\( 1 \le h < n \)）。
模型：
数据生成机制：时间序列 \( \{X_t\}_{t=1}^n \)，假设均值为零（或已中心化）。在 H0 下，\( X_t \) 是白噪声（uncorrelated），即 \( \text{cov}(X_t, X_{t+h}) = 0 \) 对所有 \( h \neq 0 \) 成立。在备择下，存在某个滞后 h 使得 \( \text{cov}(X_t, X_{t+h}) \neq 0 \)。
统计模型：非参数。除了 H0 下的不相关性，不对 \( X_t \) 的分布做任何参数假设（如正态性）。但为了推导 beta 校正（Theorem 3.6），需要假设噪声过程 \( \varepsilon_t \) 具有有限三阶矩。
已知量：\( n \), \( h \), 矩阵 \( A_h \)。
要估的对象：\( \eta_h \)（自相关系数），但本文是检验问题，不是估计问题。
可观测数据：
可观测：\( X = (X_1, \ldots, X_n)^T \)，即时间序列的 n 个观测值。这是唯一可观测的量。
潜在/不可观测：真实的 \( \eta_h \)、噪声过程 \( \varepsilon_t \)、数据生成机制的具体形式。这些只能通过假设（如 H0 下的不相关性）来识别。

第二步：讲最小内核¶

最简特例：检验时间序列在滞后 1 是否存在正自相关（\( H_0: \eta_1 = 0 \) vs \( H_1: \eta_1 > 0 \)），且假设数据已被中心化并归一化到单位球面（\( \|X\| = 1 \)）。

检验统计量：\( \hat{T}_1(I) = X^T A_1 X = \sum_{t=1}^{n-1} X_t X_{t+1} \)。这是样本自协方差（未归一化）。在 H0 下，\( \mathbb{E}[\hat{T}_1(I)] = 0 \)。如果 \( \hat{T}_1(I) \) 很大（正值），则表明存在正自相关。
随机化检验的核心思想：如果 H0 为真（数据是白噪声），那么数据 \( X \) 的分布应该是旋转不变的（rotationally invariant），即 \( X \stackrel{d}{=} M X \) 对任意 \( M \in SO(n) \) 成立。这是因为白噪声的协方差矩阵是 \( \sigma^2 I \)，而旋转不改变这一结构。因此，在 H0 下，\( \hat{T}_1(I) \) 的分布应该与 \( \hat{T}_1(M) = (M X)^T A_1 (M X) \) 的分布相同，其中 \( M \) 是随机旋转。p 值就是 \( P(\hat{T}_1(M) \ge \hat{T}_1(I) \mid X) \)，即随机旋转后统计量超过观测值的概率。
传统做法：生成大量随机旋转 \( M_1, \ldots, M_B \)，计算 \( \hat{T}_1(M_i) \)，然后 p 值 ≈ (计数 + 1)/(B + 1)。但生成随机旋转需要 QR 分解，计算成本高。
本文的关键想法：利用 \( SO(n) \) 上的浓度不等式（Corollary 2.1），直接给出 \( P(\hat{T}_1(M) \ge t \mid X) \) 的一个上界（Theorem 3.1）：
\[P(\hat{T}_1(M) \ge t \mid X) \le \exp\left\{ -\frac{(n-2) t^2}{64} \right\}.\]
这个上界是闭式的（closed-form），无需任何模拟。将 \( t = \hat{T}_1(I) \) 代入，就得到了一个保守的 p 值：
\[pv_{\vee}(X) = \exp\left\{ -\frac{(n-2) (\hat{T}_1(I))^2}{64} \right\}.\]
为什么这个想法能成立？ 关键在于两点：
函数 \( F(M) = (M X)^T A_1 (M X) \) 是 Lipschitz 的（Lemma 3.2）：对于 \( M_1, M_2 \in SO(n) \)，有 \( |F(M_1) - F(M_2)| \le 2 \|M_1 - M_2\|_{HS} \)，其中 \( \| \cdot \|_{HS} \) 是 Hilbert-Schmidt 范数。Lipschitz 常数是 2，与 \( X \) 无关。
Haar 测度在 \( SO(n) \) 上满足子高斯浓度（Corollary 2.1，源自 Meckes 2019）：对于任意 L-Lipschitz 函数 \( F \)，有 \( P(F(M) \ge \mathbb{E}[F(M)] + t) \le \exp\{ -(n-2) t^2 / (16 L^2) \} \)。结合 \( \mathbb{E}[F(M)] = 0 \)（Lemma A.1）和 \( L = 2 \)，即得上述尾界。
问题：这个上界太保守了（常数 64 太大），导致 p 值偏大，功效很低。作者在模拟中（Figure 3）也证实了这一点（“Rotation Conc” 曲线几乎无功效）。
补救：beta 校正（Theorem 3.6）：作者发现，在 H0 下，\( \hat{T}_1(I) \) 的分布近似于一个均值为 0、方差为 \( (n-1)/[n(n+2)] \) 的分布（Lemma 3.8）。利用 Berry-Esseen 型定理，他们证明 \( (n-2) \hat{T}_1(I)^2 / 64 \) 的分布近似于一个缩放后的卡方分布，进而导出 p 值的更精确上界：
\[P(pv_{\vee}(X) \le u) \le C_0 I\left( u; \frac{32 n (n+2)}{(n-1)(n-2)}, \frac{1}{2} \right) + O(n^{-1/2}),\]
其中 \( I(u; \alpha, \beta) \) 是正则化不完全 beta 函数，\( C_0 \approx 1.004 \) 对大的 n。这个 beta 校正后的 p 值（方程 3.5）在模拟中恢复了大部分功效（“Rotation Adj” 曲线）。
最小内核总结：本文在数学上干了一件什么事？对于一个二次型统计量 \( X^T A X \)，在 H0 下 \( X \) 是各向同性的（isotropic），作者利用 \( SO(n) \) 上的浓度不等式，为随机旋转后的统计量 \( (M X)^T A (M X) \) 导出了一个闭式的子高斯尾界，然后通过 beta 校正（利用 H0 下 \( X^T A X \) 的近似卡方分布）将尾界转化为一个可用的 p 值公式。整个方法的核心是：用群上的浓度不等式 + 一个分布近似，替代了 Monte Carlo 模拟。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：为二次型统计量（quadratic form statistics）在紧群（SO(n), S(n), B(n)）上的随机化检验（randomization test）提出一个统一的框架，并导出闭式 p 值，从而避免 Monte Carlo 模拟。
核心工具/方法：群上的浓度不等式（Meckes 2019 的定理 + 作者推导的 Lipschitz 常数）+ beta 校正（利用 H0 下统计量的近似卡方分布，通过不完全 beta 函数变换恢复功效）。
主要结论：提出了一个非参数的 Durbin-Watson 检验变体（方程 3.5），可针对任意滞后 h 计算 p 值。模拟显示，在检测显著自相关时，该方法的统计功效优于经典的 Breusch-Godfrey 和 Ljung-Box 检验。在月太阳强度数据上，成功识别了约 11 年（132 个月）周期的长滞后自相关。

关键设定与假设¶

设定：
数据 \( X \in \mathbb{R}^n \) 已被中心化并归一化到单位球面 \( S^{n-1} \)（即 \( \|X\| = 1 \)）。中心化意味着在 \( n-1 \) 维子空间上工作，但作者声称分析在 \( n-1 \) 维上成立。
检验统计量是二次型 \( X^T A_h X \)，其中 \( A_h \) 是滞后 h 的移位矩阵。
群 \( G \) 是 \( SO(n) \)、\( S(n) \) 或 \( B(n) \) 之一，配备 Haar 测度。
检验是单侧的（检测正自相关），但通过对称性可扩展到双侧（方程 3.5）。
假设：
H0（零假设）：\( \eta_h = 0 \)，即滞后 h 的自相关为零。这等价于 \( \mathbb{E}[X^T A_h X] = 0 \)。
随机化假设：在 H0 下，\( X \stackrel{d}{=} M X \) 对任意 \( M \in G \) 成立。对于 \( G = SO(n) \)，这等价于 \( X \) 是各向同性的（\( \text{Cov}(X) = \sigma^2 I \)）。对于 \( G = S(n) \)，等价于 \( X \) 是可交换的（exchangeable）。对于 \( G = B(n) \)，等价于 \( X \) 的分量不相关且均值为零。
技术假设（用于 beta 校正，Theorem 3.6）：噪声过程 \( \varepsilon_t \) 是独立同分布的，均值为零，具有有限三阶矩。这比经典 Durbin-Watson 检验的正态性假设弱，但比纯非参数强。
相比已有文献：相比 Durbin-Watson（需要正态性），本文假设更弱（仅需有限三阶矩）。相比 Breusch-Godfrey 和 Ljung-Box（需要大样本渐近），本文的 p 值是精确的（在随机化假设下），但 beta 校正引入了 \( O(n^{-1/2}) \) 的误差。相比 Kashlak et al. (2020, 2022) 的置换/反射检验，本文将其推广到旋转群，但旋转群的浓度不等式需要 \( n \) 较大（\( n-2 \) 出现在指数中）。

主要结果¶

定理 3.1（子高斯尾界）：对于随机元素 \( M \in G \)（Haar 分布），给定 \( X \in S^{n-1} \)，有
\[P(\hat{T}_h(M) \ge t \mid X) \le \begin{cases} \exp\{-(n-2) t^2 / 64\}, & G = SO(n) \\ \exp\{-t^2 / 16\}, & G = S(n) \\ \exp\{-t^2 / 64\}, & G = B(n) \end{cases}\]
直觉：尾界是子高斯的（sub-Gaussian），衰减速率由 \( n \)（对于 SO(n)）或常数（对于 S(n), B(n)）控制。对于 SO(n)，维度 \( n \) 越大，浓度越强。
必要条件：\( h \ll n \)（滞后远小于样本量）。对于 S(n)，还需要 \( \sum X_t = 0 \) 和 \( \sum X_t^2 = 1 \)。
解决的技术难点：计算 \( \hat{T}_h \) 在 \( SO(n) \) 上的 Lipschitz 常数（Lemma 3.2）。作者证明该常数是 2，与 \( X \) 和 \( h \) 无关，这得益于 \( A_h \) 的谱半径 \( \rho(B_h) = 1 \)（通过 Gershgorin 圆盘定理或 Kulkarni et al. 1999 的显式特征值）。
定理 3.6（beta 校正后的 p 值界）：在 H0 和噪声具有有限三阶矩的假设下，对于 \( G = SO(n) \)，有
\[P(pv_{\vee}(X) \le u) \le C_0 I\left( u; \frac{32 n (n+2)}{(n-h)(n-2)}, \frac{1}{2} \right) + O(n^{-1/2}),\]
其中 \( pv_{\vee}(X) = \exp\{-(n-2) (\hat{T}_h(I))^2 / 64\} \)，\( I \) 是正则化不完全 beta 函数，\( C_0 \approx 1.004 \)。
直觉：这个定理说，将原始观测统计量 \( \hat{T}_h(I) \) 代入子高斯尾界得到的“p 值” \( pv_{\vee}(X) \)，其分布近似于一个 Beta 分布。因此，可以用 Beta 分布的分位数来校准 p 值，从而恢复功效。
必要条件：需要 H0 下 \( \hat{T}_h(I) \) 的方差已知（Lemma 3.8：\( \text{Var}(\hat{T}_h(I)) = (n-h)/[n(n+2)] \)），且其分布近似于正态（通过 Berry-Esseen 型定理，Tikhomirov 1981 的 h-独立序列结果）。
解决的技术难点：将 Berry-Esseen 界转化为不完全 beta 函数的形式。作者使用了不等式 \( -\log y \ge 1 - y \) 来简化积分。
命题 3.9（不同滞后统计量的不相关性）：对于 \( h_1 \neq h_2 \)，\( \text{Cov}(\hat{T}_{h_1}(I), \hat{T}_{h_2}(I)) = 0 \)。
直觉：不同滞后的样本自协方差在 H0 下是不相关的。这为使用 Fisher 方法组合多个滞后的 p 值提供了部分正当性（但注意：不相关不等于独立，Fisher 方法需要独立性）。

证明路线与技术技巧¶

整体路线（以 \( G = SO(n) \) 为例）：
建立浓度不等式（Section 2.1）：证明 \( F(M) = (M X)^T A_h (M X) \) 是 2-Lipschitz 的（Lemma 3.2），然后应用 Meckes (2019) 关于 \( SO(n) \) 上 Haar 测度的子高斯浓度不等式（Corollary 2.1），得到 Theorem 3.1。
计算 H0 下的均值和方差（Section 3.2）：证明 \( \mathbb{E}[\hat{T}_h(I)] = 0 \)（Lemma A.1），并利用 Wiens (1992) 关于二次型矩的公式（Lemma 3.7）和球面均匀分布的性质，计算 \( \text{Var}(\hat{T}_h(I)) = (n-h)/[n(n+2)] \)（Lemma 3.8）。
建立近似分布（Theorem 3.6 证明）：利用 Berry-Esseen 型定理（Tikhomirov 1981 的 h-独立序列结果），证明 \( \hat{T}_h(I) \) 的分布近似于均值为 0、方差为 \( (n-h)/[n(n+2)] \) 的正态分布。因此，\( (n-2) \hat{T}_h(I)^2 / 64 \) 近似于一个缩放后的卡方分布。
导出 beta 校正：将近似卡方分布的尾概率用不完全 beta 函数表示，得到 Theorem 3.6 的界。
关键跳跃点：
从浓度不等式到 p 值：浓度不等式给出的是 \( P(\hat{T}_h(M) \ge t \mid X) \) 的上界，但我们需要的是 \( P(\hat{T}_h(M) \ge \hat{T}_h(I) \mid X) \)。作者直接将 \( t = \hat{T}_h(I) \) 代入，得到一个“p 值” \( pv_{\vee}(X) \)。这个 p 值是保守的（因为浓度不等式是上界），但过于保守。
从保守 p 值到可用 p 值：关键跳跃是认识到 \( pv_{\vee}(X) \) 本身是一个随机变量，在 H0 下其分布近似于 Beta 分布。通过校准这个 Beta 分布，可以得到一个更精确的 p 值。这个跳跃依赖于 Berry-Esseen 界，而 Berry-Esseen 界又依赖于噪声的有限三阶矩和 h-独立性。
技术技巧点名：
Lipschitz 常数计算（Lemma 3.2）：利用 \( \nabla g(x) = 2 B_h x \) 和 \( \rho(B_h) = 1 \)。
Rademacher chaos 的矩界（Theorem 2.3 证明）：使用 Kwapien (1987) 的 decoupling inequality 来 bound 反射群上的二次型。
Azuma-Hoeffding 不等式（Theorem 2.4 证明）：通过 Fisher-Yates 构造将置换分解为一系列 transpositions，构造鞅差，并利用 McDiarmid (1989) 的有界差方法。
Berry-Esseen 型定理（Theorem 3.6 证明）：使用 Tikhomirov (1981) 关于 h-独立序列的 Berry-Esseen 界。
不完全 beta 函数变换（Theorem 3.6 证明）：利用 \( -\log y \ge 1 - y \) 将卡方分布的尾概率近似为 Beta 分布。

真实例子与应用¶

数据：美国国家海洋和大气管理局（NOAA）提供的 1900 年 1 月至 2025 年 2 月的月太阳强度数据（太阳黑子数的 log2 值），共 \( n = 1502 \) 个月。
如何应用：
对 log 太阳强度序列进行 Nadaraya-Watson 核回归（带宽 6, 12, 18 个月），得到残差序列。
对残差序列，使用本文的随机旋转检验（Theorem 3.6，方程 3.5）和 Breusch-Godfrey 检验，计算滞后 1 到 24 的 p 值。
进一步，对残差拟合 AR(1) 模型，对 AR(1) 残差重复上述检验。
对 AR(1) 残差，对滞后 1 到 160 进行随机旋转检验，并使用 Benjamini-Hochberg 方法进行多重检验校正。
结果：
Breusch-Godfrey 检验对所有滞后 1-24 都返回极显著的 p 值，无法提供更精细的信息。
本文的检验在原始残差中识别出滞后 1, 6, 7, 8, 9 显著（0.1% 水平）；在 AR(1) 残差中识别出滞后 6 和 9 显著。
在多重检验校正后，滞后 135 个月（11.25 年）的 FDR 为 0.012-0.06（取决于带宽），直接对应太阳活动的约 11 年周期。
这个例子想说明什么：
验证理论：展示了方法在真实数据上的可行性，并成功识别了已知的物理周期（11 年太阳周期）。
展示相对 baseline 的优势：相比 Breusch-Godfrey 的“全有或全无”结果，本文的逐个滞后检验能提供更精细的、可解释的滞后结构。相比计算密集的 Monte Carlo 随机化检验，本文方法在 \( n=1502 \) 时“计算上微不足道”。

🔎 结论是否比证明窄¶

窄结论 1：作者声称方法“可以轻松适应其他二次型统计量”（摘要、Section 6）。然而，证明中严重依赖于 \( A_h \) 的特定结构（移位矩阵，谱半径为 1，特征值有闭式表达）。对于一般的对称矩阵 \( A \)，Lipschitz 常数变为 \( 2\rho(B) \)（Theorem 2.2），而 \( \rho(B) \) 可能很大，导致浓度界变差。此外，beta 校正需要知道 \( \text{Var}(X^T A X) \) 在 H0 下的值，这依赖于 \( A \) 的迹和 Frobenius 范数（Lemma 3.7）。对于一般 \( A \)，这些量可能没有闭式表达。因此，“轻松适应”可能过于乐观，至少需要为每个新统计量重新计算 Lipschitz 常数和方差。
窄结论 2：作者声称方法“在统计功效上优于经典的 Breusch-Godfrey 和 Ljung-Box 检验”（摘要）。但模拟（Figure 3, 4）显示，这一优势主要体现在单滞后检验 vs omnibus 检验的比较中。当使用 Fisher 方法组合多个滞后的 p 值时（Figure 5），本文方法确实优于 omnibus 检验，但 Fisher 方法要求 p 值独立，而作者仅证明了不相关（Proposition 3.9），并未证明独立。对于非高斯数据，不相关不等于独立，Fisher 方法的有效性存疑。作者在模拟中使用了正态和 t 分布数据，但未在理论上证明独立性。
窄结论 3：Theorem 3.6 的 beta 校正界包含一个 \( O(n^{-1/2}) \) 的误差项，源自 Berry-Esseen 定理。这意味着对于小样本（如 \( n=100 \)），校正可能不精确。作者在模拟中使用了 \( n=1000 \)，但在 4.7 节使用了 \( n=100 \) 来比较计算成本，此时 beta 校正的精度未知。

四、开放问题¶

将框架推广到一般二次型统计量：本文的证明严重依赖于 \( A_h \) 的特定结构（谱半径为 1，特征值有闭式表达）。对于一般的对称矩阵 \( A \)，Lipschitz 常数变为 \( 2\rho(B) \)，且 H0 下的方差 \( \text{Var}(X^T A X) \) 需要根据 Lemma 3.7 重新计算。要证什么：为一般 \( A \) 导出类似的闭式 p 值公式，并刻画 \( \rho(B) \) 对功效的影响。扎根于：Theorem 2.2 和 Lemma 3.8 的推导过程。
将 beta 校正推广到 S(n) 和 B(n)：Theorem 3.6 的 beta 校正专门针对 \( SO(n) \)，利用了 Berry-Esseen 界和 h-独立序列。对于置换群和反射群，H0 下统计量的分布不同（Theorem 3.1 的尾界不同，均值也可能非零），需要重新推导类似的校正公式。要估什么：为 S(n) 和 B(n) 导出类似 Theorem 3.6 的 beta 校正 p 值。扎根于：Theorem 3.1 中 S(n) 和 B(n) 的尾界，以及作者在 Section 3.2 中计算的 S(n) 和 B(n) 下的均值。
与高效子群方法的理论比较：本文的解析方法和 Koning & Hemerik (2023) 的子群方法都旨在避免大规模 Monte Carlo 模拟，但路径不同。要算什么：在相同的计算预算下（如允许生成 K 个随机变换），比较两种方法的 minimax 检测率或渐近相对效率（ARE）。扎根于：Remark 1.1 中作者提到了 Koning & Hemerik (2023) 和 Koning (2024)，但未进行任何比较。
高阶 U-统计量的随机化检验：本文的检验统计量是二次型（二阶 U-统计量）。对于高阶 U-统计量（如 Kendall's tau、方差估计的 U-统计量），其随机化检验的 p 值能否用类似方法（群上的浓度不等式 + 某种校正）闭式计算？要证什么：将本文的框架推广到 k 阶 U-统计量，其中 k ≥ 3。扎根于：作者的研究兴趣中包含“higher-order U-statistics”，但本文未涉及。这是一个自然的延伸，但技术挑战很大（高阶 U-统计量的 Lipschitz 常数计算、高阶 Rademacher chaos 的浓度、高阶 Berry-Esseen 界）。

Maintained by 陈星宇 · Homepage · Source on GitHub