Finite-sample nonparametric mean tests: Leave-one-out duality and asymptotic optimality¶

作者: Yifan Zhu, John C. Duchi
主题: 数理统计 / 假设检验
相关性: 8/10
链接: https://arxiv.org/abs/2609.05360

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向解决的根本问题是：在仅知道随机变量非负（无界、无方差假设）的条件下，如何构造关于其均值的单侧假设检验（H₀: μ ≤ 1），并保证p值在有限样本下严格有效（即第一类错误被控制）。这是一个看似简单但极具挑战性的非参数推断问题。经典结果（Bahadur & Savage, 1956）表明，在全体有限均值分布上，任何关于均值的检验功效都等于显著性水平，即不可能有非平凡功效。非负性假设是绕过这一不可能性的最小结构限制。当前该方向的成熟度：有限样本有效p值的构造方法非常有限，且大多依赖更强的假设（有界支撑、方差已知、矩条件等）。本文的工作是这一方向上的一个系统性突破。

发展脉络¶

奠基工作：非参数似然比与猜想
- Wang & Zhao (2003)：推导了非参数似然比统计量 \(T_{\text{nplr}}\) 的显式表示（公式4），并猜想它在i.i.d.数据下是有限样本有效的p值。这是该问题的核心起点，但证明未完成。
- Gaffke (2005)：研究了 \(T_{\text{nplr}}\) 的有限样本有效性，证明了特殊情形（如两点分布）和渐近结果，但未解决任意样本量下的有效性。这留下了明确的缺口。
主要进展：有限样本有效方法的涌现
- Waudby-Smith & Ramdas (2024)：提出了基于“赌博”（betting）和e值的序贯检验方法。该方法在序贯条件均值原假设 \(E[X_i | X_{1:i-1}] \le 1\) 下有效，这是一个比i.i.d.原假设更大的类。其优势是广泛有效，但代价是未能利用数据中“留一”结构，导致在固定样本量下功效可能不足。
- Ming, Shen & Wang (2026)（与本文同时且独立）：证明了 \(T_{\text{nplr}}\) 在留一条件均值原假设下的有限样本有效性，并提出了基于初等对称多项式（ESP）的统计量 \(T_{\text{ESP}}\)。他们的证明路径与本文不同。
当前Frontier与本文位置：
- 当前前沿是：在仅依赖非负性的最弱假设下，构造出既保证有限样本有效性，又能在局部备择假设下达到最优渐近功效的检验。
- 本文的位置：本文通过一个统一的“留一对偶证书”框架，不仅证明了 \(T_{\text{nplr}}\) 的有效性，还构造了一个全新的、更优的p值 \(T_{\text{bin+}}\)，并证明其点态最小值 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 也是有效且更强大的p值。更重要的是，本文首次在非参数局部备择假设下，证明了 \(T_{\text{bin+}}\) 和 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 能达到最优渐近功效，而 \(T_{\text{nplr}}\) 不能。这填补了理论最优性的空白。

子线索聚类¶

似然比与对称多项式方法：以 \(T_{\text{nplr}}\) 和 \(T_{\text{ESP}}\) 为代表。核心思想是利用数据驱动的加权或组合来构造检验统计量。其有效性证明通常需要巧妙的数学变换。本文的 \(T_{\text{nplr}}\) 属于此类。
序贯赌博/e值方法：以 Waudby-Smith & Ramdas (2024) 的 Betting, dKelly, PrPlEB 为代表。核心思想是构造一个在零假设下为鞅或上鞅的过程。其优势是适用于序贯设定，但在固定样本量下可能不是最优的。
基于CDF带的方法：以 Anderson (1969) 为代表。通过Dvoretzky-Kiefer-Wolfowitz (DKW) 不等式构造经验分布函数的置信带，然后积分得到均值的置信界。该方法依赖于有界支撑或截断，在无界情形下可能保守。
基于对偶证书的方法（本文开创）：本文提出的“留一对偶证书”框架。它将p值有效性的证明转化为寻找满足特定点态不等式的对偶乘子函数。这是一个新的证明和设计工具，不仅用于验证，还可用于发现新统计量（如 \(T_{\text{bin+}}\)）。

核心问题与瓶颈¶

核心问题1：如何构造一个在最弱假设（仅非负）下有限样本有效的p值？
核心问题2：这个p值在局部备择假设（如均值以 \(1/\sqrt{n}\) 速率偏离）下，能否达到非参数最优功效？
核心问题3：是否存在一个统一的框架，既能证明有效性，又能指导构造更优的统计量？
已知瓶颈：对于问题1，现有方法要么依赖更强假设（有界支撑、方差），要么在序贯设定下有效但固定样本量下功效不足。对于问题2，\(T_{\text{nplr}}\) 被证明无法达到最优功效，其渐近功效对应一个“两尾”高斯检验，比最优的“单尾”检验更保守。

⚠️ 作者的Framing¶

作者的缺口定位：作者将缺口frame为“缺乏一个统一的、能同时证明有效性和指导构造最优统计量的理论框架”。他们声称，现有的方法要么是“特例证明”（如Gaffke对 \(T_{\text{nplr}}\) 的部分证明），要么是“不同设定下的方法”（如序贯赌博），缺乏一个能揭示其内在联系的视角。他们的“留一对偶证书”框架正是这个统一的视角。
被淡化/回避的竞争路线：作者明确将序贯赌博方法（Waudby-Smith & Ramdas, 2024）定位为在更大原假设类（\(P_{\text{seq}}\)）下有效，从而暗示其“不够锐利”。他们强调自己的方法在更小的留一原假设类（\(P_{\text{loo}}\)）下有效，但能达到更优的渐近功效。这实际上是在说：“为了获得最优功效，牺牲一点有效性范围是值得的”。
值得研究者去查的问题：作者在引言中提到了“anytime-valid testing”（序贯有效检验）并指出其与本文工作的区别。但一个明显的缺失是：本文没有讨论或引用任何关于“统计-计算权衡”的文献。对于一个关注计算复杂度的研究者，这是一个值得追问的张力点：本文提出的统计量（特别是 \(T_{\text{bin+}}\) 和 \(T_{\text{ESP}}\)）的计算复杂度如何？是否存在计算上更高效但统计上更优的近似方法？作者在附录C中讨论了计算，但并未将其与任何理论上的计算下界联系起来。

张力¶

未见明显对立引用。所有被引工作都承认非负均值检验的困难，并试图从不同角度解决。主要张力在于有效性范围（序贯 vs. 留一 vs. i.i.d.）与渐近最优性之间的权衡，作者通过自己的框架清晰地揭示了这一点。

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：
- \(X = (X_1, \dots, X_n)\): 可观测的随机样本，每个 \(X_i \ge 0\)。
- \(n\): 样本量。
- \(\mu = E[X_i]\): 总体均值，是待检验的参数。
- \(H_0: \mu \le 1\): 零假设（单侧）。
- \(H_1: \mu > 1\): 备择假设。
- \(T(X) \in [0, 1]\): 一个检验统计量，其值作为p值使用。
- \(\alpha \in (0, 1)\): 显著性水平。
- \(P\): 数据生成分布。
- \(P_{\text{loo}}^n\): 留一条件均值原假设类。定义见公式(2)：\(E_P[X_i | X_{-i}] \le 1\) a.s. 对所有 \(i\)。这是本文证明有效性的主要原假设类。
- \(P_{\text{iid}}^n\): i.i.d. 原假设类。定义见公式(5)：\(P^n\) 且 \(E_P[X] \le 1\)。这是本文讨论渐近最优性时使用的基准类。
- \(x_{-i}\): 表示从向量 \(x\) 中移除第 \(i\) 个元素后的 \((n-1)\) 维向量。
- \(x_{(i \leftarrow a)}\): 表示将向量 \(x\) 的第 \(i\) 个元素替换为 \(a\) 后得到的向量。
- \(E_x(t) = \prod_{i=1}^n (1 + t(x_i - 1))\): 一个关键的乘积函数，定义在 \(t \in [0, 1]\) 上。
- \(A_Q(t) = E_Q[1/(1 + t(X-1))]\): 亲和函数（affinity function），用于刻画Hellinger距离。
- \(H^2(Q, P)\): 两个分布 \(Q\) 和 \(P\) 之间的平方Hellinger距离。
模型：
- 数据生成机制：观测到 \(n\) 个独立同分布（或更一般地，满足留一条件均值）的非负随机变量 \(X_1, \dots, X_n\)。
- 统计模型：未知分布 \(P\) 支撑在 \(\mathbb{R}_+\) 上。
- 已知：\(X_i \ge 0\)。
- 待估/检验对象：均值 \(\mu = E[X_i]\)。
可观测数据：
- 可观测：样本 \(X = (X_1, \dots, X_n)\) 的具体数值。
- 不可观测/潜在：总体的真实分布 \(P\)，以及任何高阶矩（如方差）。检验必须仅基于样本和“非负”这一假设。

第二步：讲最小内核¶

本文的核心思想可以浓缩为一个最简特例：当样本量 \(n=1\) 时，如何检验 \(H_0: \mu \le 1\)？

问题退化：当 \(n=1\)，我们只有一个观测值 \(X_1 \ge 0\)。我们需要一个p值 \(T(X_1)\) 使得对所有满足 \(E[X_1] \le 1\) 的分布，有 \(P(T(X_1) \le \alpha) \le \alpha\)。
核心思路（对偶证书）：我们想证明 \(T(x) = 1/x\) 是一个有效p值。
- 我们需要证明：对于所有满足 \(E[X_1] \le 1\) 的分布 \(P\)，有 \(P(1/X_1 \le \alpha) \le \alpha\)。
- 这等价于 \(P(X_1 \ge 1/\alpha) \le \alpha\)。
- 根据马尔可夫不等式，由于 \(X_1 \ge 0\) 且 \(E[X_1] \le 1\)，我们有 \(P(X_1 \ge 1/\alpha) \le \alpha\)。证毕。
与本文框架的联系：
- 在这个特例中，\(n=1\)，留一原假设类 \(P_{\text{loo}}^1\) 退化为 \(E[X_1] \le 1\)。
- 本文的“对偶证书”框架（公式cert）要求找到一个非负函数 \(\lambda_\alpha^{(1)}\)（这里是一个常数），使得：
  \[\alpha + \lambda_\alpha^{(1)}(x_1 - 1) \ge \mathbf{1}\{T(x_1) \le \alpha\} = \mathbf{1}\{x_1 \ge 1/\alpha\}\]
- 如果我们取 \(\lambda_\alpha^{(1)} = \alpha\)，那么当 \(x_1 \ge 1/\alpha\) 时，右边为1，左边为 \(\alpha + \alpha(x_1 - 1) = \alpha x_1 \ge 1\)，不等式成立。当 \(x_1 < 1/\alpha\) 时，右边为0，左边为 \(\alpha + \alpha(x_1 - 1) = \alpha x_1 \ge 0\)，不等式也成立。
- 这个简单的例子揭示了框架的本质：通过构造一个关于 \((x_i - 1)\) 的线性函数来“上界”指示函数。这个线性函数的系数（对偶乘子）\(\lambda_\alpha^{(i)}\) 可以依赖于其他观测 \(x_{-i}\)，但不能依赖于 \(x_i\) 本身。
推广到一般 \(n\) 的直觉：
- 对于一般的 \(n\)，统计量 \(T(x)\) 更复杂。但核心思想不变：我们需要找到一组对偶乘子 \(\{\lambda_\alpha^{(i)}(x_{-i})\}\)，使得对所有可能的 \(x\)，都有：
  \[\alpha + \sum_{i=1}^n \lambda_\alpha^{(i)}(x_{-i})(x_i - 1) \ge \mathbf{1}\{T(x) \le \alpha\}\]
- 这个点态不等式一旦成立，对任何满足 \(E[X_i | X_{-i}] \le 1\) 的分布取期望，左边期望 \(\le \alpha\)，右边期望就是 \(P(T(X) \le \alpha)\)，从而证明了p值的有效性。
- 本文的主要技术贡献就是为 \(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 构造了这样的对偶乘子。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在仅假设随机变量非负的条件下，构造关于其均值的单侧假设检验 \(H_0: \mu \le 1\) 的有限样本有效p值，并研究其渐近最优性。
核心工具/方法：提出了一个留一对偶证书（leave-one-out dual certificate） 框架，将p值有效性的证明转化为寻找满足特定点态不等式的对偶乘子函数。基于此框架，证明了非参数似然比统计量 \(T_{\text{nplr}}\) 的有效性，并构造了一个新的广义二项式p值 \(T_{\text{bin+}}\)。
主要结论：
- \(T_{\text{nplr}}\)、\(T_{\text{bin+}}\) 以及它们的点态最小值 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 在留一条件均值原假设 \(P_{\text{loo}}^n\) 下都是有限样本有效的p值。
- 在i.i.d.原假设 \(P_{\text{iid}}^n\) 下，\(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 都达到了由Hellinger距离刻画的“零一”可检测边界。
- 在 \(1/\sqrt{n}\) 速率的局部备择假设下，\(T_{\text{bin+}}\) 和 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 达到了非参数最优渐近功效，而 \(T_{\text{nplr}}\) 不能。

关键设定与假设¶

核心设定：观测值 \(X_i \ge 0\)，无其他支撑、矩或尾部假设。
原假设类：
- 有效性证明：使用留一条件均值原假设 \(P_{\text{loo}}^n\)（公式2）。这是一个比i.i.d.更大的类，意味着证明的p值在更严苛的条件下也有效。
- 渐近最优性：使用i.i.d.原假设 \(P_{\text{iid}}^n\)（公式5）。这是一个更小的类，使得最优性基准更强（因为竞争对手只需在这个更小的类上有效）。
关键假设（用于渐近最优性）：
- 二次均值可微性（DQM）：备择分布族 \(\{Q_\theta\}\) 在 \(\theta=0\) 处是二次均值可微的（公式24）。这是一个标准的局部渐近正态性条件。
- 均值泛函的可微性：均值泛函 \(\mu(Q) = E_Q[X]\) 沿着子模型是可微的，且导数 \(\dot{\mu} > 0\)（公式25）。
- 均匀可积性：存在一个 \(\epsilon > 0\) 使得 \(\lim_{M\to\infty} \sup_{|\theta|<\epsilon} E_\theta[X^2 \mathbf{1}\{X > M\}] = 0\)（Example 6.1）。这确保了均值泛函的导数可以通过交换积分和微分得到。
相比已有文献的放宽/强化：
- 放宽：相比需要已知有界支撑或方差的方法（如Hoeffding, Bernstein, Romano & Wolf），本文仅假设非负性，这是一个极大的放宽。
- 强化：相比序贯赌博方法（Waudby-Smith & Ramdas），本文的有效性证明是在更小的留一原假设类上，但获得了更强的渐近最优性保证。这揭示了有效性与最优性之间的权衡。

主要结果¶

定理3.1（\(T_{\text{nplr}}\) 的有效性）：\(T_{\text{nplr}}\) 是 \(P_{\text{loo}}^n\) 下的有效p值。证明路线：构造对偶乘子 \(\lambda_\alpha^{\text{nplr}}(z) = \alpha \int_0^{\tau_\alpha(z)} E_z(t) dt\)，其中 \(\tau_\alpha(z)\) 是使 \(\alpha E_z(t) \ge 1\) 的最小 \(t\)。然后通过巧妙的积分和不等式技巧（公式11），证明该乘子满足对偶证书不等式（cert）。
定理4.2（\(T_{\text{bin+}}\) 的有效性）：\(T_{\text{bin+}}\) 是 \(P_{\text{loo}}^n\) 下的有效p值。证明路线：构造对偶乘子 \(\lambda_\alpha^{\text{bin+}}(z) = \min\{(1-\alpha)J_1^-(0, z), \alpha J_1^+(0, z)\}\)。证明分为 \(T_{\text{bin+}}(x) \le \alpha\) 和 \(T_{\text{bin+}}(x) > \alpha\) 两种情况，分别利用积分恒等式（公式18）和函数 \(D_x(u)\) 的单调性来验证不等式。
定理5.2（\(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 的有效性）：\(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 是 \(P_{\text{loo}}^n\) 下的有效p值。证明路线：这是“对偶切换”原理（Theorem 5.1）的一个应用。该原理指出，如果两个p值 \(S\) 和 \(T\) 满足：① \(S\) 是坐标单调非增的；② \(S\) 的对偶乘子不大于 \(T\) 的；③ 它们各自满足对偶证书；那么可以通过一个“切换”规则组合它们的对偶乘子，从而证明 \(\min\{S, T\}\) 的有效性。本文验证了 \(T_{\text{bin+}}\) 和 \(T_{\text{nplr}}\) 满足这些条件。
定理6.1（零一可检测性）：设 \(H^2(Q_n, P_0)\) 是备择分布 \(Q_n\) 到零假设类 \(P_0\) 的平方Hellinger距离。如果 \(n H^2(Q_n, P_0) \to 0\)，则任何一致有效的检验的渐近功效不超过 \(\alpha\)；如果 \(n H^2(Q_n, P_0) \to \infty\)，则存在一致有效的检验（如基于似然比的oracle检验）其渐近功效趋于1。证明路线：第一部分是标准结论，利用Hellinger距离与总变差距离的关系。第二部分通过构造一个基于Hellinger投影 \(P_{Q_n}^*\) 的似然比检验，并利用马尔可夫不等式证明其功效。
推论6.3（\(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 达到零一边界）：当 \(n H^2(Q_n, P_0) \to \infty\) 时，\(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 的渐近功效都趋于1。证明路线：利用 \(T_{\text{nplr}}\) 与亲和函数 \(A_{Q_n}(t_n)\) 的关系，以及 \(A_{Q_n}(t_n) = \{1 - H^2(Q_n, P_0)\}^2\)，再结合马尔可夫不等式。对于 \(T_{\text{bin+}}\)，利用命题6.2（\(T_{\text{bin+}} \le \sqrt{T_{\text{nplr}}}\)）将功效保证从 \(T_{\text{nplr}}\) 转移到 \(T_{\text{bin+}}\)。
定理6.6（\(T_{\text{nplr}}\) 的局部渐近功效）：在 \(1/\sqrt{n}\) 局部备择假设下，\(-\log T_{\text{nplr}}(X_n) = (S_n)_+^2 / (2V_n) + o_p(1)\)，其中 \(S_n\) 是标准化后的样本和，\(V_n\) 是样本方差。其极限功效对应一个“两尾”高斯检验，比最优的“单尾”检验更保守。
定理6.7（\(T_{\text{bin+}}\) 的局部渐近功效）：在 \(1/\sqrt{n}\) 局部备择假设下，\(T_{\text{bin+}}(X_n) = \Phi(-S_n/\sqrt{V_n}) + o_p(1)\)。其极限功效对应一个“单尾”高斯检验，达到了非参数最优功效（推论6.4给出的上界）。

证明路线与技术技巧¶

整体路线（以 \(T_{\text{bin+}}\) 的有效性证明为例）：
1. 构造对偶乘子：定义 \(\lambda_\alpha^{\text{bin+}}(z) = \min\{(1-\alpha)J_1^-(0, z), \alpha J_1^+(0, z)\}\)。
2. 建立点态不等式：目标是证明 \(D_x(\alpha) = \alpha + \sum_i (x_i-1) \min\{(1-\alpha)J_i^-(x), \alpha J_i^+(x)\} \ge \mathbf{1}\{T_{\text{bin+}}(x) \le \alpha\}\)。
3. 分情况讨论：
  - 情况1：\(T_{\text{bin+}}(x) \le \alpha\)。此时 \(\rho_i(x) \le \alpha\) 对所有 \(i\) 成立，这意味着 \((1-\alpha)J_i^-(x) \le \alpha J_i^+(x)\)。因此 \(\min\) 函数取值为 \((1-\alpha)J_i^-(x)\)。然后利用积分恒等式 \(\sum_i (x_i-1)J_i^-(x) = 1\)，直接计算得到 \(D_x(\alpha) = 1\)。
  - 情况2：\(T_{\text{bin+}}(x) > \alpha\)。此时需要证明 \(D_x(\alpha) \ge 0\)。作者引入了一个辅助函数 \(D_x(u)\)，并证明其在 \(u \in [0,1]\) 上是非减的。由于 \(D_x(0) = 0\)，所以 \(D_x(\alpha) \ge 0\)。证明 \(D_x(u)\) 单调性的关键在于分析其导数 \(D_x'(u)\) 的符号，这需要利用 \(\rho_i\) 的排序性质（公式15）和另一个积分恒等式。
4. 处理留一依赖性：证明 \(\lambda_\alpha^{\text{bin+}}(x_{-i})\) 与 \(\min\{(1-\alpha)J_i^-(x), \alpha J_i^+(x)\}\) 之间的关系（公式17b），以确保最终构造的证书是有效的。
关键跳跃点：
- \(T_{\text{bin+}}\) 的构造：从二项分布精确p值的积分表示出发，通过启发式替换（将 \(b\) 替换为 \(x_{\max}\)，将 \(j\) 替换为最大值索引），跳跃到一个适用于一般非负随机变量的形式。这个跳跃不是平凡的，但被后续的证明所验证。
- 对偶乘子 \(\lambda_\alpha^{\text{bin+}}\) 的发现：作者在讨论中透露，他们并非先有统计量再找乘子，而是先通过求解一个启发式的线性方程组确定了乘子的形式，然后反过来读出了统计量。这是一个“用对偶性设计统计量”的巧妙思路。
- 对偶切换原理：证明两个p值的最小值仍为有效p值，通常需要联合界（Bonferroni），这会导致功效损失。本文的“对偶切换”原理（Theorem 5.1）通过巧妙地组合两个p值的对偶乘子，避免了联合界，从而保证了 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 的有效性且不损失功效。
技术技巧点名：
- 对偶性（Duality）：整个框架的核心，将无限维优化问题（3）转化为寻找点态不等式的有限维问题。
- 积分恒等式：利用 \(E_x'(t) = \sum_i (x_i-1)E_{x_{-i}}(t)\) 及其积分形式，将求和转化为积分，是证明中的关键技巧。
- 凹函数的性质：利用 \(\log E_x(t)\) 的凹性来推导不等式，例如在证明 \(T_{\text{bin+}} \le \sqrt{T_{\text{nplr}}}\) 时。
- Laplace近似：在证明 \(T_{\text{bin+}}\) 的局部渐近正态性时（Lemma 6.3），使用了Laplace近似的思想，将积分比近似为高斯分布的累积分布函数。
- 二次均值可微性（DQM）：标准的局部渐近正态性工具，用于推导局部备择假设下的极限分布。

真实例子与应用¶

数据/场景：模拟实验。使用了六种不同的分布族，代表不同形状的非负数据：集中连续型（Gamma(25, 1/25)）、均匀分布（Unif[0,2]）、右偏有限方差（Gamma(1/2, 2)）、左偏（(6/5)Beta(5,1)）、重尾有限方差（Pareto(3, 2/3)）和无限方差有限均值（Pareto(3/2, 1/3)）。
方法应用：对于每个基线分布 \(X_0\)，通过乘性均值平移生成局部备择 \(X_{n,\kappa} = (1 + h/n^\gamma) X_0\)，使得 \(2n H^2(Q_{n,\kappa}, P_{\text{iid}}) \to \kappa\)。然后比较 \(T_{\text{nplr}}, T_{\text{bin+}}, \min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 与现有有效方法（ESP, Betting, dKelly, PrPlEB, Anderson）以及一个无效的学生化均值检验（作为基准）的有限样本功效。
结果：
- 在零假设下（\(\kappa=0\)），所有有效方法的功效都低于名义水平 \(\alpha=0.05\)，验证了其有效性。
- 在备择假设下（\(\kappa>0\)），\(T_{\text{bin+}}\) 和 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 在所有分布上显著优于其他所有有效方法。它们的功效随着样本量增加迅速接近由无效的学生化检验给出的渐近最优包络线。
- \(T_{\text{nplr}}\) 的功效虽然也优于赌博等方法，但始终低于渐近最优包络线，与理论预测一致。
- \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 在大多数情况下表现最好，因为它结合了两者的优势：在小样本下 \(T_{\text{nplr}}\) 可能更好，在大样本下 \(T_{\text{bin+}}\) 更好。
例子想说明什么：实验验证了理论结果：\(T_{\text{bin+}}\) 和 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 在有限样本下具有显著的功率优势，并且其渐近最优性在中等样本量下就已显现。这有力地支持了本文方法的实用价值。

🔎 结论是否比证明窄¶

是。一个明显的例子是渐近最优性的结论。作者在定理6.1中证明了基于Hellinger距离的“零一”可检测边界，并声称 \(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 达到了这个边界。然而，这个边界本身是在i.i.d.原假设 \(P_{\text{iid}}^n\) 下推导的，而 \(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 的有效性是在更大的留一原假设 \(P_{\text{loo}}^n\) 下证明的。这意味着，虽然它们在 \(P_{\text{loo}}^n\) 下有效，但作者只证明了它们在 \(P_{\text{iid}}^n\) 下达到最优。一个更窄但更诚实的说法是：“在i.i.d.原假设下，\(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 达到了由Hellinger距离刻画的零一可检测边界。” 作者在Section 6开头明确说明了这一点，但读者容易忽略这个细微差别。
另一个例子是局部渐近最优性。作者证明了 \(T_{\text{bin+}}\) 和 \(\min\{T_{\text{nplr}}, T_{\text{bin+}}\}\) 在DQM条件下达到了推论6.4给出的上界。但这个上界本身是半参数效率界，它假设检验统计量是“正则”的。作者没有证明他们的统计量是“正则”的，而是直接证明了其极限分布与最优检验相同。这通常被认为是达到了最优，但严格来说，它没有证明在所有正则检验中是最优的，只是证明了它达到了一个已知的上界。

四、开放问题¶

扩展到双边检验或置信区间：本文专注于单侧检验 \(H_0: \mu \le 1\)。如何将对偶证书框架扩展到双边检验 \(H_0: \mu = 1\) 或构造有限样本有效的置信区间？这需要处理两个方向的不等式，可能需要对偶乘子有更复杂的结构。扎根点：论文引言和结论部分都提到了通过反演得到置信下界，但未深入讨论双边情形。
高维或多重检验：本文处理的是单个均值的检验。在高维设定下（如检验多个均值是否同时小于1），如何应用留一对偶框架？直接应用会导致多重比较问题，需要发展新的组合或校正方法。扎根点：论文未讨论高维情形，但这是假设检验领域的自然延伸。研究者可关注其与 high-dimensional statistics 兴趣的连接。
与其他统计量的对偶证书：本文为 \(T_{\text{nplr}}\) 和 \(T_{\text{bin+}}\) 构造了对偶证书。能否为其他已知的或新构造的统计量（如基于U-statistics的检验）找到对偶证书？这可以揭示这些统计量之间的深层联系，并可能构造出更优的组合。扎根点：论文在讨论部分（Section 8）提到“对偶性作为设计原则”，暗示了其通用性，但未给出其他例子。
计算复杂度的理论下界：本文在附录中讨论了 \(T_{\text{bin+}}\) 和 \(T_{\text{ESP}}\) 的计算算法，但未讨论其计算复杂度的理论下界。是否存在一个统计-计算权衡？即，要达到最优统计功效，是否必须付出某种计算代价？对于关注 statistical-computational tradeoff 的研究者，这是一个值得探索的方向。扎根点：论文未提及任何计算复杂度理论。这是一个明显的空白，值得去查近期关于“计算约束下的假设检验”的文献。

Maintained by 陈星宇 · Homepage · Source on GitHub