Dimension comparison for Student's statistic under symmetric unimodality¶

作者: Jacopo Lenzi
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.26421

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向研究的是 Student t 统计量在非正态总体下的稳健性，具体而言：当总体分布偏离正态（但保持对称单峰性）时，基于 t 统计量的推断（置信区间、假设检验）是否仍然保守（即实际覆盖概率 ≥ 名义水平，或实际第一类错误 ≤ 名义水平）？核心问题是：在对称单峰分布族 \( \mathcal{F}_{su} \) 中，哪个分布是最不利的（least favorable）——即最大化尾部概率或最小化中心覆盖？ 该方向已有近一个世纪的历史，但直到近年才在特定标称尾部水平 \( \alpha_0 = 2\bar{\Phi}(\sqrt{3}) \approx 0.083 \) 附近取得精确的渐近结果。本文是该方向的一个精细的、技术驱动的推进。

发展脉络¶

奠基工作：
Chung (1946)：获得了 Student t 统计量在非正态分布下的早期 Edgeworth 展开。这是该方向渐近分析的起点。
Efron (1969)：在对称性条件下建立了 t 统计量的几何与矩比较，特别是通过 Rademacher 符号和 majorization 论证，证明了在某些条件下均匀分布是极值分布。这是该方向有限样本比较的经典框架。
Bhattacharya & Ghosh (1978, 1980)：建立了光滑函数样本均值的 Edgeworth 展开的严格有效性理论，为后续高阶展开提供了理论基础。本文直接引用其定理来保证展开的余项控制。
主要进展：
Benjamini (1983)：通过“拉伸”（stretching）和 majorization 论证，证明了当 t 临界值足够大（\( t \ge n-1 \)）时，均匀分布确实是最不利的。这给出了一个远程尾部的精确结果。
Hall (1987)：在最小矩条件下获得了 Student t 统计量的 Edgeworth 展开，推进了该方向的理论完备性。
Basu (1991, 博士论文) & Basu & DasGupta (1995)：利用 Khintchine 尺度混合表示，将问题简化为独立均匀变量（不同尺度）的锥概率。通过数值计算（n ≤ 10），他们发现存在一个依赖于维度的阈值：在该阈值之上，等尺度均匀分布是数值上的最不利分布；在该阈值之下，一个混合分布（原子在零 + 均匀）可能产生更小的中心覆盖。这是该方向有限样本数值探索的里程碑。
Hendriks, IJzerman-Boon & Klaassen (2006)：通过 Edgeworth 展开，识别出标称尾部水平 \( \alpha_0 = 2\bar{\Phi}(\sqrt{3}) \) 是一个关键边界。他们提出，在 \( \alpha < \alpha_0 \) 的整个范围内，可以用均匀分布来保守地校准 t 检验（即公式 (1.3)）。这给出了一个渐近的、统一的保守性断言。
当前 Frontier 与本文位置：
Finner & Dickhaus (2010), Gerlovina & Hubbard (2021)：发展了高阶 Edgeworth 展开的通用算法和软件，使得计算更高阶的系数成为可能。
Beckedorf & Rohde (2025)：提供了自归一化和的 Edgeworth 展开的显式系数和强逼近界。本文直接引用其系数公式来计算 B(3)。
Borisov (2024)：给出了对称和的自归一化和的极值性质（变换界）。本文将其定位为与自身工作的不同（“distinct from”）。
本文 (Lenzi, 2026)：在 Hendriks 等人的 \( \alpha_0 \) 边界附近，进行维度比较。它不直接回答“哪个分布最不利”，而是回答“当维度从 n 减少到 n-k 时，尾部概率如何变化”。通过精细的 Edgeworth 展开，它发现在 \( r_n = 3 + \lambda/n \) 这一移动边界上，维度比较的符号由相位曲面 \( H_\delta(\lambda) \) 决定。这揭示了在 \( \alpha_0 \) 附近，维度增加或减少会导致尾部概率的非平凡反转，从而构造了一个反例，表明均匀分布在所有足够大的 n 下并非最不利（对于特定的 \( \alpha_n < \alpha_0 \) 序列）。同时，它又通过矩比较（定理 4.1）证明了均匀分布在偶数矩和解析变换意义下仍然是极值的。

子线索聚类¶

Edgeworth 展开与高阶渐近：这条线索致力于推导 t 统计量在非正态分布下的精确渐近展开，并控制余项。代表工作：Chung (1946), Bhattacharya & Ghosh (1978), Hall (1987), Finner & Dickhaus (2010), Gerlovina & Hubbard (2021), Beckedorf & Rohde (2025)。本文属于此线索，并利用其成果进行维度比较。
有限样本极值性与比较：这条线索试图在有限样本下，通过几何（锥概率）、majorization、随机序等工具，确定对称单峰族中的最不利分布。代表工作：Efron (1969), Benjamini (1983), Basu (1991), Basu & DasGupta (1995), Hendriks et al. (2006), Borisov (2024)。本文通过构造反例和矩比较，同时挑战和补充了此线索的结论。
尺度混合与 Khintchine 表示：这条线索利用 Khintchine 定理将对称单峰分布表示为均匀分布的尺度混合，从而将问题转化为独立均匀变量（不同尺度）的锥概率。代表工作：Basu (1991), Dharmadhikari & Joag-Dev (1988)。本文的核心技术之一（引理 2.1 和推论 3.5）正是基于此表示。

核心问题与已知瓶颈¶

核心问题 1：在对称单峰类 \( \mathcal{F}_{su} \) 中，均匀分布是否总是最不利的（即最大化尾部概率）？
已知瓶颈：Benjamini (1983) 在远程尾部（\( t \ge n-1 \)）证明了“是”。Hendriks et al. (2006) 在 \( \alpha < \alpha_0 \) 的整个范围内断言“是”。但 Basu (1991) 的数值实验在 n ≤ 10 时发现，在某些临界值下，一个混合分布比均匀分布有更小的中心覆盖（即更大的尾部概率），暗示了“否”。本文在渐近意义上证实了 Basu 的发现：在 \( \alpha_n < \alpha_0 \) 且 \( \alpha_n \to \alpha_0 \) 的序列下，均匀分布不是最不利的。
核心问题 2：维度（样本量）如何影响 t 统计量的尾部比较？
已知瓶颈：大部分工作关注固定 n 下的比较。Basu 的数值结果显示了 n 的依赖性。本文系统地研究了维度从 n 减少到 n-k 时尾部概率的变化，并给出了一个统一的渐近相位图。
核心问题 3：Edgeworth 展开在 \( r = 3 \)（即 \( |t| = \sqrt{3} \)）处的特殊行为是什么？
已知瓶颈：Hendriks et al. (2006) 指出，在 \( r = 3 \) 处，Edgeworth 展开中第一个分布敏感项（与峰度相关）消失。本文利用这一特性，在 \( r_n = 3 + \lambda/n \) 的移动边界上进行展开，使得维度比较的 leading term 由更高阶项决定，从而产生了非平凡的相位曲面。

⚠️ 作者的 framing¶

作者如何 frame 缺口：作者将缺口 frame 成“在 \( \alpha_0 \) 附近，维度比较的精细渐近行为尚未被理解”。具体来说，Hendriks et al. (2006) 的断言（公式 1.3）是一个全局断言，但作者指出，在 \( \alpha_0 \) 附近，由于第一个分布敏感项消失，比较的符号变得微妙，且依赖于维度。作者通过研究维度比较，构造了一个反例，从而挑战了 Hendriks et al. 断言的全局性，并将其限制在更窄的范围内。作者将自己的工作定位为“对 Basu 数值发现的渐近解释和推广”。
被淡化或回避的竞争路线：
Basu (1991) 的有限样本数值结果：作者在引言中提到了 Basu 的数值发现，但将其定位为“simulation-based, dimension-dependent thresholds”。本文的渐近结果（推论 3.5）虽然与 Basu 的发现精神一致，但并未直接与 Basu 的数值阈值进行定量比较或验证。作者回避了“本文的渐近结果在多大 n 下与 Basu 的 n ≤ 10 数值结果匹配”这一问题。
Benjamini (1983) 的远程尾部结果：作者明确指出，Benjamini 的结果适用于更远程的尾部（\( t \ge n-1 \)），而本文关注的 \( \alpha_0 \) 附近区域是“substantially smaller values”。作者通过将问题限制在 \( \alpha_0 \) 附近，巧妙地回避了与 Benjamini 结果的直接冲突。
什么明显该被引 / 该存在、却没出现在 intro 里？
值得研究者去查的问题：本文的核心是维度比较，但引言中未提及任何关于高维统计（如 \( p \gg n \) 设定）或随机矩阵理论中关于 t 统计量或自归一化和的文献。例如，在高维背景下，t 统计量的行为会发生根本性变化（如 Bai & Saranadasa 检验）。这可能是作者有意为之（本文的“维度”是样本量 n，而非变量维数 p），但作为一个“维度比较”的论文，完全不提高维文献是一个值得注意的缺失。研究者可以自查：是否有文献在高维设定下研究过类似问题？
另一个缺失是：本文的核心技术是 Edgeworth 展开，但未引用任何关于非参数 Edgeworth 展开（如 bootstrap Edgeworth 展开）的文献。这暗示作者假设了完全已知的分布族（对称单峰），而非半参数设定。

张力¶

未见明显对立引用。所有被引工作都在各自的设定下成立，没有出现“在相同条件下得出相反结论”的情况。本文的贡献在于揭示了在之前未被充分研究的渐近区域（\( \alpha_0 \) 附近）中，不同结论（均匀分布是否最不利）之间的边界。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据¶

符号：
\( X_1, \dots, X_n \)：i.i.d. 随机变量，来自一个对称单峰分布 \( F \in \mathcal{F}_{su} \)。对称单峰意味着密度关于 0 对称且在 \( [0, \infty) \) 上非增。
\( \theta \)：对称中心（参数）。在本文中，\( \theta \) 是待估或检验的对象。
\( \bar{X}_n \)：样本均值。
\( S_n^2 \)：样本方差（无偏）。
\( T_n = \sqrt{n}(\bar{X}_n - \theta) / S_n \)：Student t 统计量。
\( Z_n = \sum_{i=1}^n (X_i - \theta) / \sqrt{\sum_{i=1}^n (X_i - \theta)^2} \)：自归一化和。它与 \( T_n \) 通过 \( T_n^2 = (n-1)Z_n^2 / (n - Z_n^2) \) 一一对应。
\( q_n(r) = P\{ Z_n^2 > r \} \)：当 \( X_i \sim \text{Unif}[-\sqrt{3}, \sqrt{3}] \)（方差为 1 的均匀分布）时，自归一化和的尾部概率。这是本文的核心研究对象。
\( r \)：锥参数，与 t 统计量的临界值 \( t \) 通过 \( r = nt^2/(n-1+t^2) \) 对应。
\( \alpha_0 = 2\bar{\Phi}(\sqrt{3}) \approx 0.083 \)：关键标称尾部水平。
\( \lambda \)：移动边界参数，定义 \( r_n = 3 + \lambda/n \)。
\( k \)：删除的观测数（维度减少量）。
\( \delta = k/n \)：删除比例。
\( H_\delta(\lambda) \)：相位曲面，决定维度比较的渐近符号。
模型：
数据生成机制：\( X_i \overset{i.i.d.}{\sim} F \)，其中 \( F \in \mathcal{F}_{su} \)。
统计模型：非参数模型，仅假设对称单峰性。这是一个无限维模型。
已知：分布族 \( \mathcal{F}_{su} \) 的结构。
待估/检验对象：对称中心 \( \theta \)。本文不直接估计 \( \theta \)，而是研究基于 \( T_n \) 的推断的稳健性。
可观测数据：
可观测：\( n \) 个 i.i.d. 样本 \( X_1, \dots, X_n \)。由此可以计算 \( T_n \) 或 \( Z_n \)。
想要但观测不到：总体分布 \( F \) 的具体形式。我们只知道它属于 \( \mathcal{F}_{su} \)，但不知道其确切形状（如均匀、三角、逻辑斯蒂克等）。这是稳健性问题的核心：我们希望在不知道 \( F \) 的情况下，对基于 \( T_n \) 的推断的误差进行控制。

第二步：最小内核¶

本文的核心数学问题可以归结为：比较两个不同维度（n 和 n-k）下，来自同一分布（方差为 1 的均匀分布）的自归一化和的尾部概率，且比较是在一个特定的、随 n 变化的边界 \( r_n = 3 + \lambda/n \) 上进行的。

最简特例：比较 n 和 n-1 维（即 k=1）

在这个特例下，我们想比较 \( q_{n-1}(r_n) \) 和 \( q_n(r_n) \)，其中 \( r_n = 3 + \lambda/n \)。

Edgeworth 展开：对于均匀分布，\( q_n(r) \) 可以展开为：
\[q_n(r) = N(r) + \frac{A(r)}{n} + \frac{B(r)}{n^2} + o(n^{-2})\]
其中 \( N(r) = 2\bar{\Phi}(\sqrt{r}) \)，\( A(r) = -\frac{3}{10}\phi(\sqrt{r})H_3(\sqrt{r}) \)，\( B(r) \) 是某个已知函数。
关键观察：在 \( r = 3 \) 处，\( H_3(\sqrt{3}) = 0 \)，因此 \( A(3) = 0 \)。这意味着在 \( r=3 \) 处，\( O(n^{-1}) \) 项消失了。
在移动边界上展开：我们在 \( r_n = 3 + \lambda/n \) 处比较。对 \( q_{n-1}(r_n) \) 和 \( q_n(r_n) \) 分别进行泰勒展开：
- 对于 \( q_n(r_n) \)：\( q_n(r_n) = N(3 + \lambda/n) + \frac{A(3 + \lambda/n)}{n} + \frac{B(3 + \lambda/n)}{n^2} + o(n^{-2}) \)
- 对于 \( q_{n-1}(r_n) \)：\( q_{n-1}(r_n) = N(3 + \lambda/n) + \frac{A(3 + \lambda/n)}{n-1} + \frac{B(3 + \lambda/n)}{(n-1)^2} + o(n^{-2}) \)
计算差值：相减得到：
\[q_{n-1}(r_n) - q_n(r_n) = A(r_n) \left( \frac{1}{n-1} - \frac{1}{n} \right) + B(r_n) \left( \frac{1}{(n-1)^2} - \frac{1}{n^2} \right) + o(n^{-2})\]
由于 \( A(3) = 0 \)，\( A(r_n) = A'(3) \cdot (\lambda/n) + o(n^{-1}) \)。代入并化简，得到 leading term 为 \( O(n^{-3}) \) 量级：
\[q_{n-1}(r_n) - q_n(r_n) \approx \frac{1}{n^3} \left[ A'(3) \lambda + B(3) \right] + o(n^{-3})\]
其中 \( A'(3) = -\frac{3\sqrt{3}\phi(\sqrt{3})}{10} \)，\( B(3) = \frac{9\sqrt{3}\phi(\sqrt{3})}{175} \)。
核心结论：差值的符号由 \( A'(3) \lambda + B(3) \) 决定。令其为零，得到临界点 \( \lambda_c = -B(3)/A'(3) = 12/35 \)。因此：
- 当 \( \lambda < 12/35 \)（即 \( r_n \) 离 3 较近），\( q_{n-1}(r_n) > q_n(r_n) \)。维度减少（n-1）导致尾部概率增加。
- 当 \( \lambda > 12/35 \)（即 \( r_n \) 离 3 较远），\( q_{n-1}(r_n) < q_n(r_n) \)。维度减少导致尾部概率减少。

这个特例揭示了本文的核心数学思想：在 \( r=3 \) 这个特殊点，由于一阶分布敏感项消失，维度比较的 leading term 由二阶项和一阶项的导数共同决定，从而产生了一个非平凡的相位转换。对于一般的 k，情况类似，只是系数依赖于 \( \delta = k/n \)，从而得到更一般的相位曲面 \( H_\delta(\lambda) \)。

三、这篇论文做了什么¶

三句话¶

研究问题：在对称单峰分布族下，比较不同维度（n 与 n-k）的 Student t 统计量的尾部概率，特别是在标称尾部水平 \( \alpha_0 = 2\bar{\Phi}(\sqrt{3}) \) 附近的渐近行为。
核心工具/方法：利用 Edgeworth 展开（特别是 Beckedorf & Rohde (2025) 的系数和 Bhattacharya & Ghosh (1978) 的有效性理论），在移动边界 \( r_n = 3 + \lambda/n \) 处进行展开，并结合 Khintchine 尺度混合表示将结果从均匀分布推广到一般对称单峰分布。
主要结论：导出了维度比较的渐近相位曲面 \( H_\delta(\lambda) \)，其零曲线 \( \lambda_c(\delta) = \frac{6}{35}\frac{2-\delta}{1-\delta} \) 统一了固定、次线性与固定比例删除三种情形。利用此结果，构造了一个光滑的对称单峰分布，使得对于所有足够大的 n，其 Student 尾部概率超过等尺度均匀分布的尾部概率（即均匀分布不是最不利的）。同时，通过矩比较（定理 4.1）证明均匀分布在偶数矩和解析变换意义下仍然是极值的。

关键设定与假设¶

分布族：\( \mathcal{F}_{su} \)：非退化的、具有关于 0 对称且在 \( [0, \infty) \) 上非增的密度的分布。这是全文的基本设定。
核心记号：\( q_n(r) \) 定义为方差为 1 的均匀分布（\( \text{Unif}[-\sqrt{3}, \sqrt{3}] \)）的自归一化和的尾部概率。这是所有渐近分析的基础。
移动边界：\( r_n = 3 + \lambda/n \)。这是本文技术分析的核心舞台。选择 \( r=3 \) 是因为在该点，Edgeworth 展开中的一阶分布敏感项 \( A(r) \) 为零。
假设（隐含）：
对于 Edgeworth 展开的有效性，需要分布有足够多的矩和一定的光滑性。均匀分布满足这些条件。
对于 Khintchine 表示，需要分布是对称单峰的。
对于定理 4.1 的矩比较，需要分布无原子在零。
相比已有文献的强化/放宽：
相比 Basu (1991)：本文提供了渐近分析，而非有限样本数值探索。本文的结果是渐近精确的，而 Basu 的结果是数值近似的。
相比 Hendriks et al. (2006)：本文挑战了其断言（公式 1.3）的全局性，证明了在 \( \alpha_n < \alpha_0 \) 且 \( \alpha_n \to \alpha_0 \) 的序列下，存在反例。本文的结论更精细，揭示了在 \( \alpha_0 \) 附近的维度依赖性。
相比 Benjamini (1983)：本文关注的尾部区域（\( \alpha_0 \) 附近）比 Benjamini 的远程尾部（\( t \ge n-1 \)）更靠近中心，因此结论不同。

主要结果¶

定理 3.1（维度比较）：这是全文的核心定理。它给出了维度比较的渐近公式：
\[\frac{n^3}{k} \{ q_{n-k}(r_n) - q_n(r_n) \} \to H_\delta(\lambda)\]
其中 \( H_\delta(\lambda) = \frac{\sqrt{3}\phi(\sqrt{3})}{1-\delta} \left( -\frac{3\lambda}{10} + \frac{9(2-\delta)}{175(1-\delta)} \right) \)。该收敛在 \( 1 \le k \le (1-\gamma_0)n \) 上一致，且局部一致于 \( \lambda \)。零曲线为 \( \lambda_c(\delta) = \frac{6}{35}\frac{2-\delta}{1-\delta} \)。直觉：该定理告诉我们，在 \( r=3 \) 附近，维度减少（k>0）对尾部概率的影响由 \( \lambda \) 和 \( \delta \) 共同决定，且存在一个临界曲线，曲线一侧维度减少增加尾部概率，另一侧则减少。必要条件：\( k/n \to \delta < 1 \)，即删除的观测数不能是全部。解决的技术难点：处理 Edgeworth 展开中余项在维度变化下的一致性，以及将展开在移动边界 \( r_n \) 处进行泰勒展开并提取 leading term。
推论 3.5（固定父分布）：利用定理 3.1 和 Khintchine 表示，构造了一个固定的、光滑的对称单峰分布 \( f \)，使得对于所有足够大的 n，有 \( P_f\{ |T_n| > t_n \} > q_n(r_n) \)。直觉：这个推论直接挑战了 Hendriks et al. (2006) 的断言（公式 1.3）。它表明，即使对于固定的分布，在 \( \alpha_0 \) 附近，均匀分布也不是最不利的。必要条件：\( \lambda \) 必须小于某个依赖于 \( \gamma \) 的阈值（公式 3.32），这对应于 \( \alpha_n \) 足够接近 \( \alpha_0 \)。
定理 4.1（矩比较）：对于任意两个对称分布 F 和 G，如果它们的绝对值分位数函数之比 \( a(u)/b(u) \) 非减，则对于所有 m，有 \( E[Z_F^{2m}] \le E[Z_G^{2m}] \)。直觉：这个定理表明，在偶数矩和解析变换的意义下，均匀分布（其分位数函数是线性的）是极值的。与主要结果的关系：这个定理与定理 3.1 的结论形成对比。它表明，虽然均匀分布在尾部概率（指示函数）意义上不是最不利的，但在矩和解析变换意义上仍然是极值的。这揭示了“最不利性”概念对目标泛函的依赖性。
定理 5.1（固定置信水平）：给出了固定置信水平下临界值 \( r_{m,\alpha} \) 的维度展开。当 \( \rho_\alpha > 3 \)（如 95% 置信水平）时，\( r_{m,\alpha} \) 随 m 增加而增加；当 \( \rho_\alpha < 3 \) 时，则减少。直觉：这个定理表明，在远离 \( \alpha_0 \) 的固定置信水平下，维度比较的符号是确定的，且与 \( \alpha_0 \) 附近的复杂行为不同。

证明路线与技术技巧¶

整体路线：
问题转化：将 Student t 统计量的尾部概率转化为自归一化和 \( Z_n \) 的锥概率 \( q_n(r) \)。
Edgeworth 展开：对均匀分布下的 \( q_n(r) \) 进行 Edgeworth 展开，得到形如 \( q_n(r) = N(r) + A(r)/n + B(r)/n^2 + o(n^{-2}) \) 的表达式。关键步骤是计算条件累积量 \( \kappa_{4,n} \) 和 \( \kappa_{6,n} \)，这通过将 \( X_i \) 表示为 Rademacher 符号和幅度的乘积，并对幅度进行比率展开（ratio expansion）来完成。
维度比较：在移动边界 \( r_n = 3 + \lambda/n \) 处，对 \( q_{n-k}(r_n) \) 和 \( q_n(r_n) \) 分别应用展开，并相减。利用 \( A(3)=0 \) 这一关键事实，通过泰勒展开提取 leading term，得到 \( H_\delta(\lambda) \)。
从均匀到一般分布：利用 Khintchine 尺度混合表示，将一般对称单峰分布的尾部概率表示为均匀分布尾部概率的混合。通过构造一个特定的两尺度混合分布（原子在零 + 均匀），并利用定理 3.1 的结果，证明存在一个固定的光滑分布使得尾部概率超过均匀分布。
矩比较：利用 Efron 的 Rademacher 符号论证和 majorization 理论，证明均匀分布在偶数矩意义下是极值的。
关键跳跃点：
跳跃点 1：从 Edgeworth 展开的系数到维度比较的 leading term。难点在于处理 \( A(r_n) \) 在 \( r_n \) 接近 3 时的行为。由于 \( A(3)=0 \)，\( A(r_n) \) 是 \( O(n^{-1}) \) 量级，这使得 \( A(r_n)(1/(n-k) - 1/n) \) 成为 \( O(n^{-3}) \) 量级，与 \( B(r_n) \) 的贡献同阶。作者通过泰勒展开 \( A(r_n) = A'(3)\lambda/n + o(n^{-1}) \) 巧妙地提取了这一项。
跳跃点 2：从均匀分布到一般分布的推广。难点在于如何构造一个固定的分布，使得其尾部概率在所有足够大的 n 下都超过均匀分布。作者没有直接寻找一个分布，而是先构造了一个依赖于 n 的混合分布（通过原子在零），然后利用连续性论证，证明存在一个固定的、光滑的分布（通过对原子分布进行卷积平滑）来逼近这个混合分布的行为。
技术技巧点名：
Edgeworth 展开：用于获得 \( q_n(r) \) 的渐近展开。具体使用了 Bhattacharya & Ghosh (1978) 的有效性定理和 Beckedorf & Rohde (2025) 的系数公式。
比率展开（Ratio expansion）：用于计算条件累积量 \( \kappa_{4,n} \) 和 \( \kappa_{6,n} \)。通过将 \( EA_2 \) 等量展开为 \( 1/n \) 的幂级数。
Khintchine 尺度混合表示：用于将一般对称单峰分布表示为均匀分布的尺度混合，从而将问题简化为均匀分布。
Majorization 与 Schur 凹性：用于证明定理 4.1 的矩比较。Efron (1969) 的经典论证。
分位数函数比较：用于建立定理 4.1 中分布之间的序关系。
卷积平滑：用于将具有原子的混合分布转化为光滑的密度，同时保持尾部概率的不等式。

真实例子与应用¶

本文为纯理论 / 无实证例子。论文中没有任何真实数据应用或模拟实验。附录 B 中的 n=6 的有限计算是一个理论验证，而非实证例子。它通过精确的（虽然繁琐）有理计算，验证了在 n=6 时，确实存在一个临界值使得 \( q_5(r_*) > q_6(r_*) \)，从而为渐近结果提供了一个有限样本的佐证。这个例子旨在说明，本文的渐近结论并非纯粹的理论构造，在很小的 n 下就已经可以观察到。

🔎 结论是否比证明窄¶

是。定理 3.1 的证明严格依赖于均匀分布。推论 3.5 虽然将结论推广到了更一般的对称单峰分布，但这个推广是通过构造一个特定的分布（两尺度混合的平滑版本）来实现的，而不是证明对于所有对称单峰分布，均匀分布都不是最不利的。作者在引言中明确将 Hendriks et al. (2006) 的断言（公式 1.3）作为挑战对象，但本文的结论（推论 3.5）只证明了“存在一个分布使得该断言不成立”，而非“该断言对所有分布都不成立”。这是一个典型的“存在性”而非“全称性”结论。作者在定理 4.1 中又证明了均匀分布在矩意义下是极值的，这进一步限制了推论 3.5 的适用范围。因此，本文的结论比其标题“Dimension comparison for Student's statistic under symmetric unimodality”所暗示的普遍性要窄——它主要关注的是在 \( \alpha_0 \) 附近的一个特定渐近区域，并且是通过构造反例来挑战现有断言，而非给出一个完整的刻画。

四、开放问题¶

有限样本的精确刻画：本文给出了维度比较的渐近相位图。一个自然的开放问题是：对于固定的 n 和 k，这个相位图的有限样本版本是什么？特别是，Basu (1991) 的数值结果（n ≤ 10）与本文的渐近结果之间是否存在一个定量的桥梁？扎根点：引言中 Basu (1991) 的数值发现与本文的渐近结果之间的张力，以及附录 B 中 n=6 的有限计算。
非对称分布族的推广：本文的所有结果都依赖于对称性假设。一个重要的开放问题是：如果放松对称性假设，在更一般的分布族（如仅假设单峰性，或仅假设对称性）下，类似的维度比较行为是否仍然成立？扎根点：全文的设定 \( \mathcal{F}_{su} \) 是核心假设。
更高阶展开与更精细的相位图：本文的展开只到 \( O(n^{-2}) \)。对于 \( \lambda \) 非常接近 \( \lambda_c(\delta) \) 的区域，更高阶的项可能会变得重要。一个开放问题是：计算更高阶的展开项，并研究在 \( \lambda = \lambda_c(\delta) \) 附近维度比较的更高阶行为（例如，是否存在一个 \( O(n^{-4}) \) 的相位曲面？）。扎根点：定理 3.1 的余项是 \( o(n^{-3}) \)，但未给出显式形式。
计算约束下的假设检验：本文的研究对象是经典的 Student t 检验。一个更广泛的开放问题是：在高维或计算受限的设定下（例如，当变量维数 p 远大于样本量 n 时），类似的“最不利分布”和“维度比较”问题如何刻画？这与研究者的“statistical-computational tradeoff”兴趣相关。扎根点：本文的“维度”是样本量 n，而非变量维数 p。将本文的视角推广到高维设定是一个自然的延伸。

Maintained by 陈星宇 · Homepage · Source on GitHub