跳转至

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

本文研究的子方向是基于群不变性的随机化检验（randomization tests），特别是针对二次型统计量（quadratic form statistics） 的检验问题。其根本的统计问题是：在非参数假设下，如何对某个检验统计量的分布进行推断，而不依赖参数分布假设（如正态性）或大样本渐近近似。核心思想是：若原假设下数据的分布对某个变换群（如置换群、旋转群）具有不变性，则可以通过在该群上随机采样或积分来得到精确或近似的p值。当前该方向的成熟度较高，经典理论（如置换检验）已非常成熟，但计算效率和解析p值的推导仍是活跃的研究前沿。

发展脉络（history）

  • 奠基工作：Lehmann and Romano (2006) 的经典教材系统阐述了随机化检验的理论框架，包括置换检验和更一般的随机化检验。Durbin and 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值依赖于正态性假设和数值近似（如Imhof算法）。这些工作奠定了二次型统计量检验的基础。
  • 主要进展：Langsrud (2005) 提出了旋转检验（rotation tests），将随机化检验从置换群推广到旋转群SO(n)，但计算上需要生成随机旋转矩阵，成本高昂。Solari et al. (2014) 将旋转检验应用于微阵列数据的多重检验。Dobriban (2022) 建立了基于群不变性的随机化检验的一致性理论，证明了在某些情况下，随机化检验能以minimax最优速率检测信号。Koning and Hemerik (2023) 和 Koning (2024) 提出了使用精心设计的子群（subgroup）代替随机采样，在保持精确性的同时提高功效和计算效率。
  • 当前frontier：Kashlak et al. (2022) 和 Kashlak and Yuan (2022) 提出了“无计算”的置换检验方法，利用浓度不等式推导解析p值，避免了蒙特卡洛模拟。本文（Biswas and Kashlak, 2026）在此基础上，将这一思路系统化，提出了一个统一框架，利用紧群（SO(n)、S(n)、B(n)）上的浓度不等式，为二次型统计量提供闭式p值，并特别应用于时间序列自相关检验。
  • 本文的位置：本文是Kashlak等人“解析置换检验”工作的直接推广和系统化。它从“置换群”扩展到“旋转群”和“反射群”，并聚焦于二次型统计量这一广泛使用的统计量类。作者声称其方法“统一处理了三种主要对称性”（reflectability, exchangeability, rotateability），并提供了一个“计算上微不足道”的非参数自相关检验。

子线索聚类

这些被引文献大致落在以下三条子线索上： 1. 经典随机化检验的理论与计算：包括Lehmann and Romano (2006)、Pesarin and Salmaso (2010)、Good (2013) 等教科书，以及Dobriban (2022) 的一致性理论。这一簇关注检验的精确性、一致性和理论基础，但通常依赖蒙特卡洛模拟。 2. 计算高效的随机化检验：包括Koning and Hemerik (2023)、Koning (2024) 的子群方法，以及Kashlak et al. (2022)、Kashlak and Yuan (2022) 的解析方法。这一簇致力于降低随机化检验的计算成本，使其适用于大规模数据。 3. 特定应用场景的二次型统计量检验：包括Durbin-Watson检验、Breusch-Godfrey检验、Ljung-Box检验等经典时间序列自相关检验，以及Moran's I等空间统计量。这一簇关注具体统计量的分布近似和p值计算，但通常依赖参数假设或大样本渐近。

这个方向在追问的核心问题

  1. 如何避免蒙特卡洛模拟？ 随机化检验的精确性依赖于大量随机采样，计算成本高昂。能否推导出解析的或闭式的p值公式？
  2. 如何将随机化检验推广到非交换群（如旋转群）？ 置换群是有限群，而旋转群是连续紧群。如何在连续群上实现“随机化”并得到可计算的p值？
  3. 如何提高检验的功效？ 基于浓度不等式的解析p值通常过于保守（因为常数太大），导致功效损失。如何通过变换（如Beta校正）恢复功效？
  4. 如何检验特定滞后而非所有滞后？ 经典的Breusch-Godfrey和Ljung-Box检验是“全科”检验，只能检验“所有滞后≤h”的联合零假设，无法定位具体哪个滞后显著。能否设计出针对特定滞后的检验？

⚠️ 作者的framing

  • 作者把缺口frame成什么：作者将缺口定位为“缺乏一个统一的、基于浓度不等式的、能处理多种对称群（旋转、置换、反射）的二次型统计量随机化检验框架”。他们声称，现有的旋转检验（如Langsrud, 2005）计算成本高，而解析置换检验（如Kashlak et al., 2022）只针对置换群。本文通过推导SO(n)上的浓度不等式，将解析方法推广到旋转群，从而“统一”了三种对称性。作者还强调，他们的方法可以“轻松适应其他二次型统计量”，暗示其框架具有通用性。
  • 哪些竞争路线被他淡化或回避了：
    • 子群方法：作者在Remark 1.1中提到了Koning and Hemerik (2023) 和 Koning (2024) 的子群方法，但仅作为“现代方法”一笔带过，没有深入比较。子群方法同样旨在提高计算效率，且保持了精确性（而非近似），是本文方法的直接竞争者。作者回避了“子群方法是否在功效或计算上优于浓度方法”这一关键比较。
    • 经典渐近方法：Breusch-Godfrey和Ljung-Box检验虽然依赖大样本渐近，但计算极其简单（只需计算一个统计量并与卡方分布比较）。作者在模拟中比较了功效，但没有讨论在样本量足够大时，这些渐近方法是否已经足够好，以至于解析p值的优势（非参数性）变得不那么重要。
    • 数值积分方法：对于Durbin-Watson检验，已有Imhof算法等数值方法可以精确计算p值（在正态性假设下）。作者在3.1.2节提到了这些方法，但指出它们需要谱分解，而自己的方法不需要。然而，数值方法通常非常精确，且计算成本对于中等规模数据可以接受。作者没有系统比较自己的方法与这些数值方法在计算时间和精度上的差异。
  • 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高维统计或随机矩阵理论中二次型分布的工作。例如，对于高维数据（n大，p大），二次型统计量的分布可能由随机矩阵理论刻画。本文的方法是否适用于高维设定？作者没有讨论。此外，作者没有引用任何关于U-统计量的工作，尽管二次型统计量是二阶U-统计量。对于研究者（陈星宇）熟悉的U-统计量理论，这是一个明显的缺失。

张力

未见明显对立引用。所有被引工作基本都认同“随机化检验是有效的非参数方法”，分歧主要在于如何提高计算效率和功效。

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：

    • \(X = (X_1, \dots, X_n)^T \in \mathbb{R}^n\)：可观测的时间序列数据向量。在检验中，我们通常将其中心化（减去均值）并标准化到单位球面上，即 \(X \in S^{n-1}\)。
    • \(n\)：样本量（时间序列长度）。
    • \(h\)：要检验的滞后阶数（\(1 \le h < n\)）。
    • \(A_h \in \mathbb{R}^{n \times n}\)：滞后\(h\)的移位矩阵（shift matrix），其元素为：\((A_h)_{i,i+h} = 1\) 对于 \(i=1,\dots,n-h\)，其余为0。用于计算样本自协方差：\(X^T A_h X = \sum_{t=1}^{n-h} X_t X_{t+h}\)。
    • \(B_h = (A_h + A_h^T)/2\)：\(A_h\)的对称化版本。由于\(X^T A_h X = X^T B_h X\)，我们总可以假设二次型矩阵是对称的。
    • \(\hat{\eta}_h = X^T A_h X / \|X\|^2\)：样本自相关系数（在\(\|X\|=1\)时简化为\(X^T A_h X\)）。
    • \(G\)：一个紧群（compact group），本文主要考虑三种：
      • \(SO(n)\)：特殊正交群（旋转群），元素为\(n \times n\)正交矩阵，行列式为1。
      • \(S(n)\)：对称群（置换群），元素为\(n \times n\)置换矩阵。
      • \(B(n) = \{-1, 1\}^n\)：反射群（Rademacher群），元素为对角线上为±1的对角矩阵。
    • \(M \in G\)：群\(G\)中的一个随机元素，服从Haar测度（即均匀分布）。
    • \(\hat{T}_h(M) = (M X)^T A_h (M X)\)：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。
    • \(\rho(B)\)：矩阵\(B\)的谱半径（最大特征值的绝对值）。
    • \(K(h) = \text{Cov}(X_t, X_{t+h})\)：滞后\(h\)的自协方差。
    • \(\eta(h) = K(h)/K(0)\)：滞后\(h\)的自相关系数。

  • 模型：

    • 数据生成机制：假设时间序列\(\{X_t\}_{t=1}^n\)是零均值的（或已中心化）。我们考虑一个非参数设定，不假设具体的分布形式（如正态性）。
    • 原假设\(H_0\)：滞后\(h\)的自相关为零，即\(K(h) = 0\)（等价于\(\eta(h)=0\)）。
    • 备择假设\(H_1\)：\(\eta(h) > 0\)（正自相关，本文主要考虑单侧检验）。
    • 关键假设（用于推导浓度不等式）：对于\(SO(n)\)，需要\(X\)是各向同性的（isotropic），即\(\text{Cov}(X) = c I_n\)。这比原假设\(K(h)=0\)更强，但作者通过论证（3.2式）表明，检验\(X^T A_h X\)的旋转不变性等价于检验\(K(h)=0\)。

  • 可观测数据：

    • 可观测：时间序列的观测值\(X_1, \dots, X_n\)。我们可以计算样本自相关系数\(\hat{\eta}_h\)。
    • 想要但观测不到：真实的总体自相关系数\(\eta(h)\)。我们只能通过假设和检验来推断它是否为零。此外，在随机化检验的框架下，我们“想要”知道统计量\(\hat{T}_h(M)\)在所有可能的\(M \in G\)下的分布，但这通常是不可观测的（除非穷举所有\(M\)）。

第二步：讲最小内核

最简特例：检验一个长度为\(n=3\)的时间序列在滞后\(h=1\)时是否存在正自相关。

  • 设定：观测到\(X = (x_1, x_2, x_3)^T\)，且已标准化使得\(\|X\|=1\)。检验统计量是\(\hat{T}_1(I) = x_1 x_2 + x_2 x_3\)。
  • 核心思路：在原假设\(H_0: \eta(1)=0\)下，数据\(X\)应该是“各向同性的”，即其分布对旋转不变。这意味着，如果我们对\(X\)施加一个随机旋转\(M \in SO(3)\)，得到\(M X\)，那么\(\hat{T}_1(M) = (M X)^T A_1 (M X)\)的分布应该与\(\hat{T}_1(I)\)的分布相同。因此，p值可以定义为：
    \[p = P_{M \sim \text{Haar}(SO(3))} \left( \hat{T}_1(M) \ge \hat{T}_1(I) \right)\]
    即，随机旋转后统计量大于等于观测统计量的概率。
  • 如何计算p值？ 理论上，我们需要对\(SO(3)\)上的Haar测度进行积分。但\(SO(3)\)是连续群，无法穷举。传统方法是蒙特卡洛模拟：生成大量随机旋转矩阵\(M_1, \dots, M_K\)，计算\(\hat{T}_1(M_k)\)，然后看有多少个大于等于\(\hat{T}_1(I)\)。这很慢。
  • 本文的关键想法：利用浓度不等式来避免模拟。作者证明（定理3.1），对于\(SO(n)\)，\(\hat{T}_h(M)\)是\(M\)的一个Lipschitz函数，且其值集中在均值（为0）附近。具体地，对于任何\(t>0\)：
    \[P\left( \hat{T}_h(M) \ge t \mid X \right) \le \exp\left\{ -\frac{(n-2) t^2}{64} \right\}\]
    这个上界是闭式的，不依赖于任何模拟。因此，我们可以直接计算一个保守的p值：
    \[p_{\text{raw}} = \exp\left\{ -\frac{(n-2) (\hat{T}_h(I))^2}{64} \right\}\]
  • 问题：这个p值太保守了（因为不等式中的常数64是上界，实际分布可能更集中），导致检验功效很低。作者在模拟中证实了这一点（图3中的“Rotation Conc”曲线）。
  • 解决方案（Beta校正）：作者发现，经过适当的变换，这个保守的p值近似服从一个Beta分布。通过将\(p_{\text{raw}}\)代入Beta分布的累积分布函数（定理3.6），可以得到一个校正后的p值，其分布更接近均匀分布，从而恢复了检验功效。这个校正过程也是闭式的，不需要任何模拟。

总结：本文在数学上干了一件什么事？它证明了：对于二次型统计量\(\hat{T}_h(I)\)，在原假设下，其随机化版本\(\hat{T}_h(M)\)的尾部概率可以被一个简单的指数函数上界控制。这个上界虽然保守，但可以通过一个闭式的Beta变换进行校准，从而得到一个计算上微不足道（只需计算一个指数函数和一个不完全Beta函数）的、有效的非参数p值。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了一类基于群不变性的随机化检验方法，旨在为二次型统计量（如自相关检验统计量）提供无需蒙特卡洛模拟的闭式p值。
  2. 核心工具/方法：核心工具是紧群（特别是SO(n)）上的浓度不等式，以及一个基于Beta分布的校正变换，用于恢复因浓度不等式保守性而损失的功效。
  3. 主要结论：作者提出了一个统一框架，为旋转群、置换群和反射群上的二次型统计量推导了子高斯尾界（定理3.1）。通过Beta校正（定理3.6），得到了一个计算简单的非参数自相关检验，其在模拟中对于特定滞后（\(h>1\)）的功效优于经典的Breusch-Godfrey和Ljung-Box检验，并在太阳辐射数据中成功识别出约11年周期的自相关。

关键设定与假设

  • 设定：时间序列\(\{X_t\}\)是零均值的（或已中心化）。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。数据向量\(X\)被标准化到单位球面\(S^{n-1}\)上（即\(\|X\|=1\)），这总是可以通过除以样本标准差实现。
  • 假设：
    • 对于SO(n)上的浓度不等式（定理3.1）：需要函数\(F(M) = (M x)^T A_h (M x)\)是Lipschitz的。作者证明其Lipschitz常数为\(2\rho(B_h)\)，其中\(\rho(B_h) \le 1\)（引理3.2）。这个假设是自动满足的，因为\(A_h\)是固定的。
    • 对于Beta校正（定理3.6）：需要噪声过程\(\varepsilon_t\)是独立同分布的，具有零均值、单位方差和有限三阶矩。这个假设比经典检验的正态性假设弱，但比纯粹的非参数假设强。作者在模拟中测试了\(t(4)\)分布（有限三阶矩）和\(t(2)\)分布（无限方差），发现对于\(t(2)\)，检验变得保守。
    • 对于多滞后检验的不相关性（命题3.9）：需要数据\(X\)是球面对称的（spherical distribution），即\(X/\|X\|\)在球面上均匀分布且与\(\|X\|\)独立。这在原假设下（各向同性）是成立的。
  • 相比已有文献的放宽/强化：
    • 放宽：相比Durbin-Watson检验的正态性假设，本文的方法是非参数的，只要求有限三阶矩。相比Breusch-Godfrey和Ljung-Box的大样本渐近，本文的方法提供了有限样本下的p值（尽管是近似的）。
    • 强化：相比Kashlak et al. (2022) 的解析置换检验（只针对置换群），本文将其推广到了旋转群和反射群。相比Langsrud (2005) 的旋转检验（需要蒙特卡洛模拟），本文提供了闭式p值。

主要结果

  • 定理3.1（子高斯尾界）：对于旋转群\(SO(n)\)，有
    \[P\left( \hat{T}_h(M) \ge t \mid X \right) \le \exp\left\{ -\frac{(n-2) t^2}{64} \right\}.\]
    对于置换群\(S(n)\)和反射群\(B(n)\)，有类似但常数不同的界。这个定理是后续所有结果的基础。它表明，随机化后的统计量以指数速度集中在均值（0）附近。
  • 定理3.6（Beta校正）：设\(pv_\vee = \exp\{-(n-2)(\hat{T}_h(I))^2/64\}\)是定理3.1给出的原始p值上界。在噪声具有有限三阶矩的假设下，有
    \[P(pv_\vee \le u) \le C_0 I\left(u; \frac{32n(n+2)}{(n-h)(n-2)}, \frac{1}{2}\right) + O(n^{-1/2}),\]
    其中\(I(u; \alpha, \beta)\)是正则化不完全Beta函数，\(C_0\)是一个接近1的常数。这个定理表明，经过Beta变换后，p值的分布接近均匀分布，从而可以用于有效的假设检验。作者据此给出了校正后的p值公式（3.5）：
    \[p_{\text{adj}} = 2 C_0 I\left( \exp\left\{ -\frac{(n-2) t^2}{64} \right\}; \frac{32n(n+2)}{(n-h)(n-2)}, \frac{1}{2} \right).\]
  • 命题3.9（多滞后不相关性）：对于不同的滞后\(h_1 \neq h_2\)，检验统计量\(\hat{T}_{h_1}(I)\)和\(\hat{T}_{h_2}(I)\)在原假设下是不相关的。这使得我们可以对多个滞后分别进行检验，并使用Fisher方法或多重比较校正来联合推断。

证明路线与技术技巧

  • 整体路线：

    1. 建立Lipschitz性质：证明函数\(F(M) = (M x)^T A_h (M x)\)在\(SO(n)\)上（配备Hilbert-Schmidt度量）是Lipschitz的，并计算其Lipschitz常数（定理2.2，引理3.2）。这是应用浓度不等式的关键前提。
    2. 应用浓度不等式：利用Meckes (2019) 关于紧群上Haar测度的浓度不等式（Corollary 2.1），直接得到定理3.1中的子高斯尾界。对于置换群和反射群，则分别使用Azuma-Hoeffding不等式（定理2.4）和Rademacher chaos的decoupling不等式（定理2.3）。
    3. 计算均值和方差：在原假设下，计算\(\hat{T}_h(I)\)的均值（为0）和方差（引理3.8：\((n-h)/[n(n+2)]\)）。方差的计算利用了球面对称分布的矩公式（引理3.7）。
    4. 应用Berry-Esseen定理：利用Tikhomirov (1981) 关于\(h\)-独立序列的Berry-Esseen界，证明标准化后的统计量\(\hat{T}_h(I) / \sqrt{\text{Var}}\)的分布以\(O(n^{-1/2})\)的速率收敛到标准正态分布。
    5. 推导Beta校正：将浓度不等式给出的上界\(pv_\vee = e^{-c \hat{T}_h^2}\)与\(\hat{T}_h^2\)的渐近\(\chi^2(1)\)分布结合起来。通过变量变换和不等式放缩（\(-\log y \ge 1-y\)），得到\(pv_\vee\)的分布被一个Beta分布上界控制（定理3.6）。

  • 关键跳跃点：

    • 从浓度不等式到有效p值：浓度不等式给出的界是“太松”的，直接用作p值会导致功效极低。作者的关键跳跃在于意识到，这个保守的p值经过一个单调变换后，其分布可以被一个已知的分布（Beta）所刻画。这个想法源于Kashlak et al. (2022)，但本文将其系统化并给出了严格的渐近论证。
    • 处理旋转群：旋转群\(SO(n)\)是连续紧群，其上的Haar测度浓度不等式（Meckes, 2019）是相对较新的结果。作者成功地将这个高深的概率论工具应用到了一个具体的统计检验问题中，这是本文的一个技术亮点。

  • 技术技巧点名：

    • 紧群上的浓度不等式：Meckes (2019) 的定理5.17，用于\(SO(n)\)。
    • Azuma-Hoeffding不等式：用于置换群\(S(n)\)，通过将置换分解为一系列转置，构造鞅差序列。
    • Rademacher chaos的decoupling不等式：Kwapien (1987) 的结果，用于反射群\(B(n)\)。
    • 球面对称分布的矩公式：Wiens (1992) 的引理3.7，用于计算方差。
    • Berry-Esseen定理：Tikhomirov (1981) 关于\(h\)-独立序列的结果，用于建立渐近正态性。
    • 不完全Beta函数：用于最终p值的闭式表达。

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月的月度太阳辐射强度数据（\(n=1502\)个月）。数据经过\(\log_2\)变换。
  • 方法应用：
    1. 首先，对原始时间序列进行Nadaraya-Watson核回归（带宽分别为6、12、18个月），得到残差序列。
    2. 对残差序列，分别使用本文的随机旋转检验（Beta校正后）和Breusch-Godfrey检验，检验滞后1到24个月的自相关。
    3. 进一步，对残差拟合一个AR(1)模型，去除一阶自相关后，对新的残差重复上述检验。
    4. 最后，对AR(1)残差，使用本文的检验方法检验滞后1到160个月的自相关，并使用Benjamini-Hochberg方法进行多重比较校正。
  • 结果：
    • Breusch-Godfrey检验对所有滞后1-24都返回了高度显著的p值，无法定位具体滞后。
    • 本文的检验在原始残差中识别出滞后1、6、7、8、9显著；在去除AR(1)后，识别出滞后6和9显著。
    • 在更广泛的滞后搜索中，滞后135个月（约11.25年） 的p值非常小，FDR控制在0.012-0.06之间（取决于核回归带宽）。这直接对应了天文学家已知的约11年的太阳活动周期。
  • 这个例子想说明什么：这个例子旨在展示本文方法相对于Breusch-Godfrey检验的核心优势：能够定位具体哪个滞后是显著的，而不是仅仅给出一个“存在自相关”的全局结论。这对于识别周期性模式（如太阳周期）非常有用。同时，它也展示了方法在大样本（\(n=1502\)）下的计算可行性（闭式p值，无需模拟）。

🔎 结论是否比证明窄

  • 结论声称：作者在摘要和引言中声称方法“可以轻松适应其他二次型统计量”，并在结论中提到了Moran's I、Cramer's test等。
  • 证明范围：论文的证明严格依赖于移位矩阵\(A_h\)的特殊结构，特别是其谱半径\(\rho(B_h) \le 1\)（引理3.2）和迹\(\text{tr}(B_h^2) = (n-h)/2\)（引理3.8证明中）。对于一般的二次型矩阵\(A\)，其谱半径可能很大，导致浓度不等式中的常数变大，Beta校正的参数也会改变。虽然框架是通用的，但具体的闭式p值公式（3.5）和Beta校正参数（定理3.6中的\(C_0\)和Beta分布参数）是专门为\(A_h\)推导的。作者没有给出如何将方法推广到任意\(A\)的通用步骤或定理，这是一个明显的“结论比证明窄”的地方。作者在3.1.2节提到，对于一般矩阵，其方法“extended unchanged”，但这需要验证。

四、开放问题

  1. 高阶U-统计量的推广：本文只处理了二次型统计量（二阶U-统计量）。能否将群不变性检验和闭式p值的思想推广到高阶U-统计量（如三阶、四阶累积量检验）？这需要处理更高阶的张量结构，并推导其在紧群上的浓度不等式。扎根点：论文结论中提到“可以轻松适应其他二次型统计量”，但未提及高阶情况。对于熟悉U-统计量计算（树宽/张量收缩）的研究者（陈星宇），这是一个自然的延伸。

  2. 高维或弱依赖设定下的有效性：本文的Beta校正依赖于Berry-Esseen定理，要求噪声具有有限三阶矩且是\(h\)-独立的。在高维（\(n\)固定，\(p \to \infty\)）或弱依赖（如长记忆过程）设定下，这个渐近论证是否仍然成立？浓度不等式本身在高维下是否仍然有效？扎根点：定理3.6的证明依赖于Tikhomirov (1981) 的Berry-Esseen界，该界要求\(h\)-独立性。作者在模拟中测试了\(t(2)\)分布（无限方差），发现检验变得保守，这暗示了假设的重要性。

  3. 最优Beta校正参数：定理3.6中的Beta校正参数是通过不等式放缩（\(-\log y \ge 1-y\)）得到的，作者承认“常数可能不是最优的”。能否找到最优的校正参数，使得校正后的p值分布最接近均匀分布，从而最大化检验功效？这可能涉及更精细的渐近展开或数值优化。扎根点：定理3.6的证明中使用了不等式\(-\log y \ge 1-y\)，这导致了保守性。作者在3.1节也提到“常数可能不是最优的”。

  4. 与其他群不变性检验的整合：本文的方法与Koning and Hemerik (2023) 的子群方法在目标和优势上互补（一个提供解析p值，一个提供精确p值且计算更快）。能否将两者结合，例如，在一个精心选择的子群上应用浓度不等式，从而得到既精确又解析的p值？扎根点：作者在Remark 1.1中提到了子群方法，但没有深入探讨结合的可能性。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论