跳转至

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：在对称单峰分布类（Fsu，即密度关于零点对称且在 [0,∞) 上非增的非退化分布）中，Student t 统计量 Tn 的尾概率（或等价地，置信区间的覆盖概率）是否被某个特定的“最不利”分布所控制。核心问题是：均匀分布 Unif[-1,1] 是否是该分布类中使 Tn 的尾概率最大（即置信区间覆盖概率最小）的分布？ 这个问题直接关系到经典 t 检验在非正态对称单峰总体下的稳健性——如果均匀分布是最不利的，那么基于正态近似的 t 临界值在 Fsu 类中就是保守的（实际显著性水平 ≤ 名义水平）。该方向已有近一个世纪的历史，但直到本文，关于“最不利性”的精确边界和反转条件才被严格刻画。

发展脉络（history）

  • 奠基工作（1946–1978）：Chung (1946) 给出了 Student t 统计量在非正态下的早期展开。Efron (1969) 利用 Rademacher 对称性，建立了在正交对称（orthant symmetry）分布类下，均匀分布最大化 Tn 的偶数阶矩。Bhattacharya & Ghosh (1978) 建立了光滑函数形式下 Edgeworth 展开的有效性（validity）理论，为后续高阶渐近分析提供了严格框架。
  • 几何与矩比较（1983–1987）：Benjamini (1983) 通过“拉伸”（stretching）和“优超”（majorization）技术，证明了当 t 临界值满足 t ≥ n-1 时，均匀分布确实是 Fsu 类中的最不利分布。Hall (1987) 在最小矩条件下得到了 Student t 统计量的 Edgeworth 展开。
  • 数值与模拟探索（1991–1995）：Basu (1991, 博士论文) 和 Basu & DasGupta (1995) 利用 Khintchine 尺度混合表示，将问题转化为独立均匀变量（不同尺度）的锥概率比较，并通过数值计算（n ≤ 10）发现：存在一个与维度相关的阈值，低于该阈值时，均匀分布不再是唯一的最不利分布——一个带有“原子在零点”（atom at zero）的混合分布可能产生更小的中心覆盖概率（即更大的尾概率）。这是第一个暗示“反转”存在的证据。
  • 边界识别与统一框架（2006–2025）：Hendriks, IJzerman-Boon & Klaassen (2006) 将 Edgeworth 展开中的边界以名义尾概率形式表达为 α0 = 2Φ̄(√3) = 0.0832645...，并提出在 (0, α0) 范围内用均匀分布进行校准。Finner & Dickhaus (2010) 和 Gerlovina & Hubbard (2021) 发展了高阶 Edgeworth 展开的通用计算方法。Beckedorf & Rohde (2025) 给出了自归一化和的显式 Edgeworth 系数和强逼近界。
  • 本文的位置：Lenzi (2026) 在上述工作的基础上，通过在移动边界 rn = 3 + λ/n 下比较 n 维与 n-k 维的尾概率，首次严格证明了：
    1. 存在一个显式的相曲面 Hδ(λ)，其零曲线 λc(δ) = (6/35)*(2-δ)/(1-δ) 统一了固定、次线性与固定比例删除三种情形。
    2. 利用 Khintchine 混合，构造了一个与 n 无关的紧支撑 C∞ 对称单峰分布，使得对于所有足够大的 n，其 Student 尾概率在名义水平 αn → α0（从下方）时超过均匀分布的尾概率——即反转成立。
    3. 同时，通过分位数比序（quantile-ratio order）证明，均匀分布在所有偶数阶矩和收敛的偶次幂级数上仍然是极值分布，从而刻画了“反转”的精确范围：它发生在指示函数尾概率上，而非矩或解析变换上。

子线索聚类

  1. Edgeworth 展开路线：Chung (1946) → Bhattacharya & Ghosh (1978) → Hall (1987) → Finner & Dickhaus (2010) → Gerlovina & Hubbard (2021) → Beckedorf & Rohde (2025)。这一簇致力于为 Student t 统计量（或更一般的自归一化和）建立精确到任意阶的 Edgeworth 展开，并控制余项。本文直接使用了 Beckedorf & Rohde (2025) 的系数公式和 Bhattacharya & Ghosh (1978) 的有效性定理。
  2. 几何/矩比较路线：Efron (1969) → Benjamini (1983) → Borisov (2024)。这一簇利用对称性、优超、拉伸等几何或组合工具，在较弱的分布假设下建立矩或尾概率的序关系。本文的定理 4.1（分位数比矩比较）属于这一路线，并证明了均匀分布在偶数阶矩上的极值性。
  3. 数值/模拟与混合表示路线：Basu (1991) → Basu & DasGupta (1995) → Hendriks et al. (2006)。这一簇通过 Khintchine 尺度混合表示将问题转化为独立均匀变量的锥概率，并依赖数值计算或渐近展开来探索最不利分布。本文的 Khintchine 混合转移（推论 3.5）和 n=6 的精确计算（附录 B）直接继承并严格化了这一路线。

核心问题与瓶颈

  • 核心问题 1：在 Fsu 类中，均匀分布 Unif[-1,1] 是否对 Student t 统计量的尾概率是最不利的（即最大化尾概率）？
  • 核心问题 2：如果存在反转（即非均匀分布产生更大的尾概率），其发生的精确条件是什么（临界边界、维度、名义水平）？
  • 核心问题 3：这种反转与均匀分布在矩或解析变换上的极值性如何共存？
  • 已知瓶颈：Benjamini (1983) 的拉伸定理只覆盖了 t ≥ n-1 的远程尾区域，而 Basu (1991) 的数值发现表明反转发生在更近的尾区域（名义水平接近 α0）。Hendriks et al. (2006) 的边界 α0 是渐近的，但缺乏有限样本下的严格证明。核心瓶颈在于：在 r = 3（即 α0）附近，Edgeworth 展开中第一个分布敏感项消失，导致比较需要在 O(1/n) 的边界层内进行，这要求非常精细的渐近分析。

⚠️ 作者的 framing

  • 作者的缺口 frame：作者将缺口 frame 为“Basu (1991) 的数值发现与 Benjamini (1983) 的远程尾定理之间存在一个未被严格分析的中间区域，而 Hendriks et al. (2006) 的边界 α0 恰好是这个区域的渐近入口”。作者声称，通过在移动边界 rn = 3 + λ/n 下进行维数比较，可以统一地处理固定、次线性与固定比例删除三种情形，并构造出严格的反转父分布。
  • 被淡化/回避的竞争路线：作者淡化了直接使用 Benjamini (1983) 的拉伸定理来证明 Fsu 类中最不利性的可能性——因为该定理只覆盖 t ≥ n-1，而 α0 对应的 t 远小于 n-1（对于大 n，t ≈ √3）。作者也回避了直接对一般 Fsu 分布进行数值优化的路线（如 Basu 所做），而是选择用 Edgeworth 展开进行渐近分析。
  • 什么明显该被引/该存在、却没出现在 intro 里？：作者没有引用任何关于自归一化和的 Berry-Esseen 界或非均匀 Edgeworth 展开的近期工作（除了 Beckedorf & Rohde 2025）。考虑到本文的核心工具是 Edgeworth 展开的余项控制，引用一些关于自归一化和 Berry-Esseen 界（如 Shao 1999, Jing et al. 2003）的经典工作可能会更完整。此外，作者没有引用任何关于高维 Student t 统计量或随机矩阵理论中类似锥概率比较的工作（如关于 F 统计量或 Hotelling T^2 的稳健性研究），这可能是一个值得研究者去查的潜在连接点。

张力

未见明显对立引用。Basu (1991) 的数值发现与 Benjamini (1983) 的定理在临界值范围上看似不同，但作者通过 Edgeworth 展开在移动边界下的分析，将这种差异解释为不同边界层（远程尾 vs. O(1/n) 层）的自然结果，从而调和了它们。

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：

    • X1, ..., Xn：i.i.d. 随机变量，来自对称单峰分布类 Fsu。θ 是对称中心（参数）。
    • Tn = √n (X̄n - θ) / Sn：Student t 统计量，其中 X̄n 是样本均值，Sn^2 是样本方差（无偏）。
    • Fsu：所有密度关于零点对称且在 [0,∞) 上非增的非退化分布的集合。这是整个研究的分布类。
    • Zn = Σ(Xi - θ) / {Σ(Xi - θ)^2}^{1/2}：自归一化和（self-normalized sum）。Tn 与 Zn 通过 Tn^2 = (n-1)Zn^2 / (n - Zn^2) 一一对应。
    • Cn,r = {x ∈ Rn : (Σxi)^2 > r Σxi^2}：Rn 中的锥（cone），r 是锥参数。事件 {Zn^2 > r} 等价于样本向量 (X1-θ, ..., Xn-θ) 落在锥 Cn,r 中。
    • qn(r) = P{Zn^2 > r}，当 Xi 是方差为 1 的中心化均匀变量（即 Xi ~ Unif[-√3, √3]）时。这是本文的核心比较对象。
    • α0 = 2Φ̄(√3) = 0.0832645...：名义尾概率边界，对应 r = 3。
    • rn = 3 + λ/n：移动边界（moving boundary），λ 是位移参数。
    • k：删除的观测数（1 ≤ k < n）。δ = k/n 是删除比例。
    • Hδ(λ)：相曲面（phase surface），是 n^3/k * {qn-k(rn) - qn(rn)} 的极限。
    • λc(δ) = (6/35)*(2-δ)/(1-δ)：相曲面的零曲线。

  • 模型：

    • 数据生成机制：Xi ~ F ∈ Fsu，i = 1, ..., n。F 是未知的，但已知属于 Fsu 类。
    • 统计模型：半参数模型，参数是中心 θ，无穷维 nuisance 参数是分布 F。
    • 已知：F 属于 Fsu。要估的对象：θ 的置信区间。

  • 可观测数据：

    • 可观测：X1, ..., Xn（样本）。
    • 想要但观测不到：F 的具体形式。我们只知道它属于 Fsu 类。
    • 关键：Tn 的分布依赖于 F。我们想知道，对于给定的名义水平 α，PF{|Tn| > t} ≤ α 是否对所有 F ∈ Fsu 都成立？如果成立，t 应该取多少？

第二步：最小内核

本文的最小内核是：当 Xi 是方差为 1 的中心化均匀变量时，比较 n 个观测和 n-k 个观测的 Student 尾概率，在边界 rn = 3 + λ/n 附近的行为。

最简特例：考虑 k = 1（删除一个观测），且 n 很大。此时，δ = k/n → 0。我们想比较 qn-1(rn) 和 qn(rn)。

  • 核心命题（退化后的形式）：当 rn = 3 + λ/n 时， n^3 * {qn-1(rn) - qn(rn)} → H0(λ) = aλ + b*2，其中 a = -3√3 φ(√3)/10，b = 9√3 φ(√3)/175。 这个极限的零点是 λc(0) = 12/35。

  • 为什么是这个特例？ 因为 k=1 是最简单的维数比较，它直接对应“增加一个观测”对尾概率的影响。整个定理 3.1 的证明思路就是：先对一般 k 推导出 n^3/k * {qn-k(rn) - qn(rn)} 的极限 Hδ(λ)，然后 k=1 的特例自然包含在内。

  • 核心思路：

    1. Edgeworth 展开：对 qn(r) 在 r=3 附近进行 Edgeworth 展开，得到 qn(r) = N(r) + A(r)/n + B(r)/n^2 + O(1/n^3)。其中 N(r) = 2Φ̄(√r) 是正态近似，A(r) 和 B(r) 是分布敏感项。
    2. 关键观察：在 r=3 处，A(3) = 0（因为 H3(√3) = 0）。这意味着一阶分布敏感项消失。因此，比较 qn-1(rn) 和 qn(rn) 时，主导项来自 B(r) 和 A(r) 在 r=3 附近的导数。
    3. 移动边界：将 rn = 3 + λ/n 代入展开式，并计算 qn-1(rn) - qn(rn)。由于 A(3)=0，A(rn) = A'(3) * (λ/n) + O(1/n^2)。因此，A(rn)/n 项贡献了 O(1/n^2) 量级，而 B(rn)/n^2 项贡献了 O(1/n^2) 量级。两者量级相同，共同决定了差值的符号。
    4. 相曲面：通过精确的代数运算（见公式 3.29），n^3/k * {qn-k(rn) - qn(rn)} 的极限被显式地计算出来，得到 Hδ(λ)。这个极限的符号由 λ 和 δ 共同决定。
    5. 结论：当 λ < λc(δ) 时，qn-k(rn) > qn(rn)（增加观测减小了尾概率）；当 λ > λc(δ) 时，qn-k(rn) < qn(rn)（增加观测增大了尾概率）。对于 k=1，临界点是 λc(0) = 12/35。

一句话总结：本文的核心数学操作是：在 A(3)=0 这个特殊点上，通过移动边界 rn = 3 + λ/n 将 A(r) 的导数项和 B(r) 的常数项拉到同一量级，从而精确计算出维数比较的极限符号，并由此构造出反转父分布。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在对称单峰分布类 Fsu 中，Student t 统计量的尾概率是否被均匀分布所控制？具体地，在名义水平 α0 = 2Φ̄(√3) 附近，是否存在非均匀分布使得 Student 尾概率大于均匀分布的尾概率（即反转）？
  2. 核心工具/方法：Edgeworth 展开（在移动边界 rn = 3 + λ/n 下）、自归一化和的锥概率表示、Khintchine 尺度混合表示、分位数比序（quantile-ratio order）。
  3. 主要结论：
    • 存在一个显式的相曲面 Hδ(λ)，其零曲线 λc(δ) 统一了固定、次线性与固定比例删除三种维数比较情形。
    • 利用 Khintchine 混合，构造了一个与 n 无关的 C∞ 对称单峰分布，使得对于所有足够大的 n，其 Student 尾概率在名义水平 αn → α0（从下方）时超过均匀分布的尾概率。
    • 通过分位数比序证明，均匀分布在所有偶数阶矩和收敛的偶次幂级数上仍然是极值分布，从而刻画了反转的精确范围：它发生在指示函数尾概率上，而非矩或解析变换上。
    • 给出了固定置信度下的维数展开（定理 5.1）和 n=6 处的精确反转（附录 B）。

关键设定与假设

  • 分布类 Fsu：密度对称且非增。这是全文工作的基础。相比 Efron (1969) 的正交对称类，Fsu 更窄（但更常见）；相比 Benjamini (1983) 的拉伸定理，Fsu 允许更一般的分布。
  • 均匀分布 Unif[-√3, √3]：方差为 1 的中心化均匀分布。它是 Fsu 类中的一个特例，也是全文比较的基准。
  • Khintchine 表示：Fsu 类中的任何分布 F 都可以表示为 X = R * U，其中 U ~ Unif[-1,1]，R ≥ 0 且与 U 独立。这个表示将 Fsu 类中的问题转化为独立均匀变量（不同尺度）的锥概率问题，是本文构造反转父分布的关键。
  • Edgeworth 展开的有效性：假设 Bhattacharya & Ghosh (1978) 的定理适用于均匀分布和移动的两侧尾集。由于均匀分布有界，该假设是合理的。
  • n=6 的精确计算：依赖于对锥概率的精确积分和有理数运算，不依赖任何渐近假设。

主要结果

  • 定理 3.1（维数比较）：这是全文最核心的定理。它给出了 n^3/k * {qn-k(rn) - qn(rn)} 的极限 Hδ(λ)，并证明了其零曲线 λc(δ)。直觉：当 λ < λc(δ) 时，增加观测（从 n-k 到 n）会减小尾概率（即 qn-k > qn）；当 λ > λc(δ) 时，增加观测会增大尾概率。必要条件：k/n → δ < 1（保留固定比例的观测）。解决的技术难点：处理 A(3)=0 导致的退化，以及统一不同删除比例的余项控制。
  • 推论 3.2（切线极限）：给出了 kn = o(n)（次线性删除）和 mn/n → γ（固定比例删除）两种特殊情下的极限。直觉：次线性删除的临界点是 12/35，固定比例删除的临界点是 6(1+γ)/(35γ)。
  • 推论 3.3（交叉点存在性）：证明了存在 r*n,k 使得 qn-k(r*n,k) = qn(r*n,k)，且 n(r*n,k - 3) → λc(k/n)。直觉：对于每个 k，都存在一个精确的交叉点，其渐近位置由 λc(δ) 给出。
  • 推论 3.5（固定父分布）：利用 Khintchine 混合，构造了一个与 n 无关的 C∞ 对称单峰分布 f，使得对于所有足够大的 n，Pf{|Tn| > tn} > qn(rn)。直觉：通过一个两尺度混合（一个尺度为 0，一个尺度为 1），使得“有效样本量”随机化，从而在渐近上实现反转。解决的技术难点：将原子在零点（singular scale）的混合分布通过卷积光滑化为 C∞ 密度，并保持反转性质。
  • 定理 4.1（分位数比矩比较）：证明了如果两个对称分布 F 和 G 的绝对值分位数函数之比 a(u)/b(u) 非降，则 F 的所有偶数阶矩都小于等于 G 的。直觉：这是一个关于“随机优超”的矩比较结果。结论：均匀分布（其分位数函数是线性的）在 Fsu 类中最大化所有偶数阶矩。
  • 定理 5.1（固定置信度展开）：给出了固定置信度 α 下，临界锥参数 rm,α 的 Edgeworth 展开。直觉：当 ρα = {Φ^{-1}(1-α/2)}^2 > 3（如 α=0.05）时，rm,α 随 m 增大而增大（即需要更大的临界值）；当 ρα < 3 时，则相反。结论：α0 是区分两种行为的临界点。
  • 附录 B（n=6 的精确反转）：通过精确的积分和有理数运算，证明了在 n=6 时，存在一个两尺度混合分布，其 Student 尾概率严格大于均匀分布的尾概率。直觉：这是一个有限样本下的严格证明，不依赖任何渐近假设，验证了渐近理论在 n=6 时的有效性。

证明路线与技术技巧

整体路线（以定理 3.1 为例）： 1. Step 1: Edgeworth 展开：对均匀分布下的 qn(r) 进行 Edgeworth 展开到 O(n^{-3}) 阶，得到形如 qn(r) = N(r) + A(r)/n + B(r)/n^2 + C(r)/n^3 + o(n^{-3}) 的表达式。这一步依赖于 Beckedorf & Rohde (2025) 的系数公式和 Bhattacharya & Ghosh (1978) 的有效性定理。 2. Step 2: 计算条件累积量：通过自归一化和 Zn 的条件特征函数展开，计算 A(r) 和 B(r) 的显式表达式。关键计算是 EA2 和 EA3（见公式 3.16-3.18），其中 A2 = ΣWi^2，Wi = Vi / ΣVj，Vi = Xi^2。这一步利用了均匀分布的各阶矩。 3. Step 3: 代入移动边界：将 rn = 3 + λ/n 代入展开式，并利用 A(3)=0 和 A'(3), B(3) 的显式值，得到 qn(rn) = α0 - φ(√3)λ/(√3 n) + O(n^{-2})。 4. Step 4: 计算维数差：计算 qn-k(rn) - qn(rn)。关键技巧是精确的代数运算（公式 3.29），将 n 和 n-k 的展开式相减，并利用 k/n → δ 进行重缩放，得到 n^3/k * {qn-k(rn) - qn(rn)} 的表达式。 5. Step 5: 取极限：对 Step 4 的表达式取极限 n → ∞，得到 Hδ(λ)。余项控制依赖于 Rj(r) = o(j^{-3}) 的均匀性，这由 Bhattacharya & Ghosh (1978) 的定理保证。

关键跳跃点： - 跳跃点 1：从 qn(r) 的一般 Edgeworth 展开到 n^3/k * {qn-k(rn) - qn(rn)} 的极限表达式。这个跳跃需要精确处理 A(r) 和 B(r) 在 r=3 附近的展开，以及 n 和 n-k 的展开式相减时的代数消去。难点：A(3)=0 导致一阶项消失，使得 A(rn)/n 项贡献了 O(1/n^2) 量级，与 B(rn)/n^2 项量级相同，必须同时处理。 - 跳跃点 2：从均匀分布的维数比较到一般 Fsu 分布的反转构造（推论 3.5）。难点：如何将“原子在零点”的混合分布（singular scale）转化为一个光滑的、与 n 无关的父分布？作者通过Khintchine 混合和卷积光滑化解决了这个问题。具体地，先构造一个两尺度混合（一个尺度为 ε，一个尺度为 1），然后通过卷积将其光滑化为 C∞ 密度，并证明反转性质在光滑化后仍然保持。

技术技巧点名： - Edgeworth 展开：全文最核心的工具，用于获得 qn(r) 的渐近展开。 - 自归一化和的锥概率表示：将 Student t 统计量的尾概率问题转化为几何上的锥概率问题，简化了分析。 - Khintchine 尺度混合表示：将 Fsu 类中的分布表示为均匀分布的尺度混合，是构造反转父分布和进行矩比较的关键。 - 分位数比序（Quantile-ratio order）：用于证明均匀分布在偶数阶矩上的极值性（定理 4.1）。这是一种比随机序（stochastic order）更弱的序关系，但足以导出矩不等式。 - Schur 凹性（Schur-concavity）：在定理 4.1 的证明中，用于证明 Rademacher 和的偶数阶矩是平方系数的 Schur-凹函数。 - 精确积分与有理数运算：在附录 B 中，用于 n=6 的精确计算。作者通过将锥概率表示为级数，并利用有理数运算和误差界，得到了严格的数值不等式。

真实例子与应用

  • 附录 B（n=6 的精确反转）：这是本文唯一的“真实例子”（虽然是一个理论例子）。它用 n=6 这个具体的、小的维度，通过精确计算验证了反转的存在。
    • 数据/场景：n=6，r* = 61/20，t*^2 = 305/59。比较均匀分布和一个两尺度混合分布（一个尺度为 ε=10^{-14}，概率为 p=10^{-5}；另一个尺度为 1）。
    • 方法：通过精确积分和有理数运算，计算 q5(r*) 和 q6(r*) 的严格数值界（表 1），证明 q5(r*) > q6(r*)。然后利用 Lemma 2.1（第一变分引理），证明存在一个 C∞ 密度使得 Pf{|T6| > t*} > PU{|T6| > t*}。
    • 结果：q5(r*) > 0.08164905710，q6(r*) < 0.08154623327，差大于 1/20000。因此，反转在 n=6 时严格成立。
    • 说明的问题：这个例子说明，反转不仅是一个渐近现象，它在 n=6 这样小的维度下就已经存在。它验证了渐近理论（定理 3.1）在有限样本下的有效性，并展示了构造反转父分布的具体方法。

🔎 结论是否比证明窄

  • 定理 3.1 的余项 o(1)：定理 3.1 的结论是 n^3/k * {qn-k(rn) - qn(rn)} = H_{k/n}(λ) + o(1)，其中 o(1) 是 n → ∞ 时的无穷小。这个 o(1) 的收敛速度没有被显式给出。作者在证明中只用了 Rj(r) = o(j^{-3}) 的均匀性，但没有给出 o(j^{-3}) 的具体阶。因此，定理 3.1 的结论在有限样本下的精度是未知的。作者在推论 3.3 中只断言了交叉点的存在性，但没有给出其收敛速度。
  • 推论 3.5 的构造：推论 3.5 构造了一个与 n 无关的 C∞ 父分布，但该构造依赖于一个足够小的 ε 和一个足够窄的卷积核。作者没有给出 ε 和卷积核宽度的具体选择，也没有证明该构造对所有 n 都有效（只说了“对所有足够大的 n”）。因此，该构造是存在性的，而非构造性的。
  • 定理 4.1 的适用范围：定理 4.1 的结论是 EZ_F^{2m} ≤ EZ_U^{2m} 对所有 m ≥ 0 成立。但作者明确指出，指示函数 1{x^2 > r} 不属于该定理所覆盖的解析函数类（因为它不是偶次幂级数）。因此，定理 4.1 不能直接用于比较尾概率，这解释了为什么均匀分布在矩上极值，但在尾概率上可以被超越。
  • 定理 5.1 的 o(m^{-2}) 余项：定理 5.1 给出了 rm,α 的展开到 O(m^{-2})，但余项 o(m^{-2}) 的收敛速度没有被显式给出。因此，该展开在有限样本下的精度是未知的。

四、开放问题

  1. 有限样本下的紧界：定理 3.1 的余项 o(1) 和定理 5.1 的余项 o(m^{-2}) 能否被改进为显式的、与 n 和 k 有关的界？例如，能否给出 |n^3/k * {qn-k(rn) - qn(rn)} - H_{k/n}(λ)| ≤ C/n 这样的不等式？这需要更精细的 Edgeworth 展开余项控制，扎根于定理 3.1 的证明中对 Rj(r) = o(j^{-3}) 的处理。
  2. 构造的显式化：推论 3.5 中构造的 C∞ 父分布依赖于一个“足够小的 ε”和一个“足够窄的卷积核”。能否给出 ε 和卷积核宽度的显式选择（例如，作为 λ 和 γ 的函数）？这需要更精确地控制 Lemma 2.1 中 Qn,r(ε, 1, ..., 1) 与 qn-1(r) 的接近程度，以及卷积对标准化矩 µ4 和 µ6 的影响。扎根于推论 3.5 的证明中对 dF(λ) 的连续性论证。
  3. 其他分布类的推广：本文的结果是针对 Fsu 类（对称单峰）的。能否将类似的维数比较和反转构造推广到更宽的分布类，例如对称且 log-concave 的分布类，或对称且具有单调风险率的分布类？这需要为这些分布类建立类似的 Edgeworth 展开或 Khintchine 表示。扎根于引言中对 Fsu 类的定义。
  4. 高维 Student t 统计量：本文只考虑了单变量 Student t 统计量。能否将类似的“维数比较”思想推广到多变量 Hotelling T^2 统计量？在多元对称单峰分布类中，是否存在类似的相曲面和反转现象？这需要处理多元 Edgeworth 展开和更复杂的锥概率几何。扎根于引言中对 Tn 的定义和锥 Cn,r 的几何解释。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论