跳转至

A class of nonparametric homogeneity tests on the circle

作者: Alberto Fern\'andez-de-Marcos, Eduardo Garc\'ia-Portugu\'es
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2609.13019

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是圆形数据（方向数据）上的 c 样本齐性检验：给定 c 组独立样本，每组样本来自圆周 S¹ 上的一个未知分布，检验这些分布是否完全相同。这是一个经典的非参数假设检验问题，其根本困难在于圆形数据缺乏天然的线性排序，因此传统的基于经验分布函数（ECDF）的检验统计量（如 Kolmogorov–Smirnov、Cramér–von Mises）必须经过旋转不变性改造才能适用。该方向当前已相当成熟，但多数方法集中在两样本情形，多样本（c > 2）情形下的系统性理论框架仍相对分散。

发展脉络

  • 奠基工作：该方向的源头可追溯到 Kuiper (1960) 和 Watson (1961, 1962) 的工作。Kuiper 提出了旋转不变的 Kolmogorov–Smirnov 型统计量，Watson 则给出了 Cramér–von Mises 型统计量的旋转不变版本。这些工作确立了"通过 ECDF 的旋转不变泛函构造检验"的基本范式。
  • Sobolev 检验的提出：Beran (1968, 1969a) 将均匀性检验系统化为 Sobolev 检验框架，其核心思想是将检验统计量表示为傅里叶系数平方的加权和。Beran (1969b) 进一步将这一框架推广到两样本齐性检验，建立了"均匀性检验与齐性检验通过 uniform scores 转换相互联系"的关键桥梁。这是本文的直接理论源头。
  • 多样本情形的零散发展：Maag (1966) 将 Watson 的 U² 统计量推广到 c 样本情形，Mardia (1972) 和 Mardia & Spurr (1973) 分别提出了多样本的 Rayleigh 型检验和 q-modal 检验。但这些工作彼此独立，缺乏统一的框架将它们联系起来。
  • 近期进展：García-Portugués et al. (2023) 提出了投影法（projection-based）的均匀性检验，其中包含了 Anderson–Darling 型核；Fernández-de-Marcos & García-Portugués (2023) 提出了基于 softmax 核的均匀性检验。这两项工作为本文提供了新的核函数来源。
  • 本文的位置：作者将上述分散的多样本检验统一纳入一个 c 样本 Sobolev 检验框架，并进一步引入聚合函数（merging function）的概念，将"如何组合各样本的 Sobolev 分量"这一被忽视的设计维度系统化。同时，作者修正了 Beran (1969b) 定理 1 中一个被忽视的关于系数可加性的假设条件。

子线索聚类

  1. ECDF 基检验：Kuiper (1960)、Watson (1961, 1962)、Maag (1966)。这条线索直接基于经验分布函数构造旋转不变的检验统计量，优点是直观、无需选择核函数，缺点是难以针对特定备择方向优化功效。
  2. Sobolev 检验：Beran (1968, 1969a, 1969b)、Mardia (1972)、Mardia & Spurr (1973)。这条线索通过傅里叶系数加权和构造检验，理论结构清晰，且通过选择不同的权重序列可以覆盖 Rayleigh、Watson、Anderson–Darling 等经典检验。本文属于这一线索的多样本推广。
  3. 现代核方法：García-Portugués et al. (2023)、Fernández-de-Marcos & García-Portugués (2023)。这条线索从核方法（kernel methods）的角度重新审视均匀性检验，引入了 softmax 核、Anderson–Darling 核等新工具，为 Sobolev 框架提供了新的核函数来源。

这个方向在追问的核心问题

  1. 如何构造旋转不变的多样本检验统计量？ 这是该方向的基本问题。ECDF 基方法通过"先合并后比较"的策略实现旋转不变性，而 Sobolev 方法通过 uniform scores 的傅里叶展开天然满足旋转不变性。
  2. 如何针对特定备择方向优化检验功效？ 不同的核函数（权重序列）对不同的备择分布族有不同的敏感度。Rayleigh 检验对单峰位移敏感，Watson 检验对宽谱偏离敏感，而 softmax 和 Poisson 核则对多峰偏离敏感。如何系统性地选择或自适应地选择核函数是一个开放问题。
  3. 多样本情形下如何聚合各样本的信息？ 这是本文新提出的问题维度。简单的求和聚合（sum）假设所有样本的偏离程度同等重要，而最大聚合（max）只关注偏离最大的样本。中间地带的聚合策略（如 LSE 族、M 族）如何影响检验功效，此前未被系统研究。

⚠️ 作者的 framing（这是作者的说法）

作者将本文的贡献框架为"统一"与"推广"：将分散的多样本检验统一为 c 样本 Sobolev 检验框架，并将 Beran (1969b) 的两样本框架推广到多样本。作者特别强调，他们修正了 Beran (1969b) 定理 1 中一个被忽视的假设条件——原文要求系数序列满足可加性条件，但作者指出这一条件在多样本情形下不成立，并给出了正确的表述。此外，作者将"聚合函数"这一设计维度引入框架，声称这为构造针对不同备择类型的检验提供了灵活性。值得注意的是：作者对"统一"的强调可能淡化了不同检验之间的本质差异——例如，Maag (1966) 的 U² 检验和 Mardia (1972) 的 Rayleigh 检验虽然都可以纳入 Sobolev 框架，但它们的局部功效特性（对局部备择的敏感方向）有本质不同，统一框架本身并不自动产生对这些差异的深入理解。

张力

未见明显对立引用。该方向的文献呈现清晰的累积性发展，各工作之间主要是推广与补充关系，而非相互矛盾。唯一值得注意的技术张力是：Beran (1969b) 的原始定理与本文的修正版本之间存在表述差异，但这属于技术性修正而非实质性对立。

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

  • 样本与分布：设共有 c ≥ 2 个独立样本。第 ℓ 个样本包含 n_ℓ 个独立同分布观测 Θ^(ℓ)1, ..., Θ^(ℓ){n_ℓ}，每个观测取值于圆周 S¹ = {x ∈ ℝ² : ‖x‖ = 1}，用角度 θ ∈ [0, 2π) 表示。第 ℓ 个样本的分布记为 P_ℓ，其累积分布函数（CDF）记为 F_ℓ，密度函数（若存在）记为 f_ℓ。总样本量 N := Σ_{ℓ=1}^{c} n_ℓ，第 ℓ 个样本的比例 π_{ℓ,N} := n_ℓ / N，其极限记为 π_ℓ ∈ (0,1)。

  • 合并分布：H_N 表示合并样本的经验 CDF，H 表示合并分布的极限 CDF，即 H := Σ_{ℓ=1}^{c} π_ℓ F_ℓ。在零假设 H₀: P₁ = ... = P_c 下，H = F₁ = ... = F_c。

  • Uniform scores：将第 ℓ 个样本的观测值通过合并样本的经验 CDF 变换为 uniform scores：u^(ℓ)_i := H_N(Θ^(ℓ)_i) ∈ [0, 1]。这是连接"齐性检验"与"均匀性检验"的关键变换——在 H₀ 下，这些 scores 近似均匀分布在 [0,1] 上。

  • Sobolev 检验统计量：对每个样本 ℓ，定义其 Sobolev 统计量 S^φ_{n_ℓ}(u^(ℓ)) := (1/n_ℓ) Σ^n_ℓ_{i,j=1} φ(cos(u^(ℓ)i - u^(ℓ)_j))， 其中 φ: [-1,1] → ℝ 是核函数，具有傅里叶展开 φ(x) = Σ^∞{k=1} b_k(φ) T_k(x)，T_k 为 Chebyshev 多项式，b_k(φ) 为傅里叶系数。c 样本 Sobolev 统计量为 T^φ_{N,c} := Σ_{ℓ=1}^{c} S^φ_{n_ℓ}(u^(ℓ))。 当 c = 2 时，T^φ_{N,2} 与 Beran (1969b) 的两样本统计量等价（差一个常数项）。

  • 聚合函数：设 m: ℝ^c → ℝ 是满足一定条件的聚合函数（merging function），则聚合统计量为 T^{φ,m}{N,c} := m(S^φ{n_1}(u^(1)), ..., S^φ_{n_c}(u^(c)))。 本文考虑的聚合函数包括：求和 m_sum(x) = Σ x_ℓ，最大值 m_max(x) = max x_ℓ，以及两个插值族——M 族 M_r(x) = (c^{-1} Σ x_ℓ^r)^{1/r}（r ≥ 1）和 LSE 族 LSE_κ(x) = κ^{-1} log(c^{-1} Σ exp(κ x_ℓ))（κ > 0）。

  • 可观测数据：研究者实际能观测到的是 c 组角度观测值 {Θ^(ℓ)_i}。不可观测的是各样本的真实分布 P_ℓ 以及合并分布 H。所有检验统计量都基于可观测的 uniform scores 构建，这是该框架"分布自由"特性的来源——统计量的零分布不依赖于共同的零分布 H 的具体形式。

第二步：最小内核

最小内核：本文在数学上最核心的命题是：在 H₀ 下，c 样本 Sobolev 统计量 T^φ_{N,c} 的渐近分布是分布自由的，且等于对应均匀性检验统计量的渐近分布。这个命题的证明依赖于一个关键事实：在 H₀ 下，uniform scores 的联合分布与具体的零分布 H 无关。

最简特例（c = 2, φ(x) = 2x）：设 c = 2，核函数取 φ(x) = 2x（对应 Rayleigh 检验）。此时 T^φ_{N,2} = S^φ_{n_1}(u^(1)) + S^φ_{n_2}(u^(2))。在 H₀ 下，可以证明 T^φ_{N,2} →d Σ^∞{k=1} b_k(φ) (Z²_{k,1} + Z²_{k,2})， 其中 {Z_{k,r}} 是独立的标准正态随机变量，且这个极限分布不依赖于 H。证明的关键步骤是：

  1. 线性化：将 S^φ_{n_ℓ}(u^(ℓ)) 在 H 处进行泰勒展开，得到 S^φ_{n_ℓ}(u^(ℓ)) = S^φ_{n_ℓ}(U^(ℓ)) + o_P(N^{-1/2})， 其中 U^(ℓ) 是均匀分布的 uniform scores。这一步利用了 uniform scores 的经验过程收敛到 Brownian bridge 的性质。

  2. 联合 CLT：利用三角阵列的联合中心极限定理（本文的 Lemma B.1，即 Mardia (1970) Lemma 4.1 的修正版），证明 N^{1/2}(G_N - μ_N) 的联合渐近正态性，其中 G_N 是各样本的调和平均向量。

  3. 协方差结构：通过计算（本文的 Lemma B.3），证明在 H₀ 下协方差矩阵具有块对角结构 Σ₀ = I_{2K} ⊗ S，其中 S = diag(1/π) - 1_c 1_c^T。这个结构意味着不同傅里叶频率 k 之间是渐近独立的，而同频率的不同样本之间存在由 S 描述的负相关。

  4. 二次型极限：利用协方差矩阵的谱分解，将 T^φ_{N,c} 表示为独立 χ² 变量的加权和，权重为 b_k(φ)。

为什么这个内核是"最小"的：上述证明路径中，第 1 步（线性化）和第 3 步（协方差结构）是本文技术贡献的核心。第 1 步需要处理 uniform scores 的离散性——这是 Beran (1969b) 原始证明中出错的地方（他忽略了 k ∈ NZ₊ 时的共振项贡献）。第 3 步的协方差计算需要精确处理样本间相关性，这是从两样本推广到多样本时的新困难。一旦这两步完成，第 2 步和第 4 步就是标准的 CLT 和二次型理论。

一般情形的"加壳"：一般 c 和一般核函数 φ 的证明，只是上述路径的机械化推广：c 从 2 变为任意正整数，φ 从线性核变为满足条件 (5) 和衰减条件 |b_k(φ)| = O(k^{-(1+δ)}) 的一般核。聚合函数 m 的引入（第 4 节）则是在极限分布 T^{φ,m}_{∞,c} = m(极限分量) 层面上的额外推广，不改变证明的基本结构。

三、这篇论文做了什么

三句话

① 研究了什么问题：本文研究圆形数据上的 c 样本齐性检验问题，旨在建立一个统一的框架，将已有的两样本 Sobolev 检验推广到多样本情形，并引入新的聚合函数和核函数以提升对特定备择（尤其是多峰偏离）的检验功效。

② 核心工具 / 方法：本文的核心工具是 uniform scores 的傅里叶展开与三角阵列中心极限定理。作者将每个样本的 Sobolev 统计量分解为傅里叶系数平方的加权和，利用 uniform scores 的渐近性质证明统计量的分布自由性，并通过聚合函数（求和、最大值、M 族、LSE 族）灵活组合各样本的 Sobolev 分量。

③ 主要结论：本文的主要结论有三：(a) 建立了 c 样本 Sobolev 检验的一般框架，证明了其零分布的分布自由性，并给出了渐近分布（定理 5.1）和固定备择下的一致性（定理 6.1）；(b) 修正了 Beran (1969b) 定理 1 中关于系数可加性的被忽视假设；(c) 通过模拟和真实数据（北极熊哺乳模式）展示了 Anderson–Darling 型检验和 softmax/Poisson 核检验的实用价值。

关键设定与假设

  • 样本独立性：c 个样本相互独立，每个样本内部观测独立同分布。这是所有检验的基础假设。
  • 绝对连续分布：每个 P_ℓ 都是绝对连续的，保证 CDF 的连续性，从而 uniform scores 无并列（ties）问题。
  • 非极端渐近比例：π_{ℓ,N} → π_ℓ ∈ (0,1)，即每个样本的占比不趋于 0 或 1。这是保证联合 CLT 成立的必要条件。
  • 核函数的傅里叶系数条件：Σ^∞_{k=1} |b_k(φ)| < ∞（条件 (5)），以及更强的衰减条件 |b_k(φ)| = O(k^{-(1+δ)})（定理 5.1 所需）。前者保证核函数的连续性，后者用于控制截断尾项。
  • 聚合函数的条件：(M1) Lipschitz 连续；(M2) 渐近齐次（N^{-1}m(Nx) → m_∞(x)）；(M3) m_∞ 在至少两个正分量时取正值；(M4) 严格递增。这些条件保证聚合统计量的渐近分布存在且检验具有一致性。
  • 相比已有文献的放宽/强化：相比 Beran (1969b) 的两样本框架，本文将其推广到 c ≥ 2 的多样本情形，这是放宽；但本文额外要求核函数的傅里叶系数满足衰减条件 |b_k(φ)| = O(k^{-(1+δ)})，这是对 Beran 原始框架的强化——作者指出，没有这一条件，定理 5.1 的证明会因 uniform scores 的离散性而失效。

主要结果

定理 5.1（零分布）：在 H₀ 和上述假设下，T^{φ,m}{N,c} →_d T^{φ,m}{∞,c} := m(π_ℓ Σ^∞{k=1} b_k(φ) Z²{k,r,ℓ} 的 c 个分量)，其中 {Z_{k,r}} 是独立的标准正态随机变量。这个分布是分布自由的，不依赖于具体的零分布 H。直觉：每个样本的 Sobolev 统计量在 H₀ 下收敛到独立 χ² 变量的加权和，权重由核函数的傅里叶系数决定；聚合函数 m 将这些分量组合成最终的检验统计量。

定理 6.1（固定备择下的一致性）：在固定备择 H₁ 下，N^{-1}T^{φ,m}{N,c} → m∞(π_ℓ Σ^∞{k=1} b_k(φ)‖γ{ℓ,k}‖² 的 c 个分量)，其中 γ_{ℓ,k} 是第 ℓ 个样本分布相对于合并分布的傅里叶系数差。若至少两个样本的分布不同，则该极限为正，检验以概率 1 拒绝 H₀。

推论 6.1（局部备择下的功效）：在平移型局部备择 Θ^(ℓ)i ~ f(θ + N^{-1/2}δ_ℓ) 下，T^{φ,m}{N,c} 收敛到非中心 χ² 分布，非中心参数为 λ = Σ_k b_k(φ) (β²_{k,1} + β²_{k,2}) [δ^T Π δ - (π^T δ)²]，其中 β_{k,r} 是核函数相关的常数。直觉：非中心参数与 δ 的"方差"（相对于 π 加权平均）成正比，即只有当各样本的平移量不一致时，检验才能检测到差异。

证明路线与技术技巧

整体路线（以定理 5.1 为例）：

  1. 分解统计量：将 T^{φ,m}_{N,c} 分解为"主项"（各样本 Sobolev 统计量的聚合）和"余项"（uniform scores 离散性导致的偏差）。

  2. 主项渐近：利用 Lemma B.1（三角阵列 CLT）证明主项的联合渐近正态性。关键步骤是验证 Lindeberg 条件，通过矩方法（Lyapunov 条件）完成。

  3. 余项控制：利用 Lemma B.4 精确计算 uniform scores 的离散性对统计量的贡献。这里的关键发现是：当 k ∈ NZ₊ 时，离散性贡献不趋于零，而是趋于一个确定性的常数。这个常数正是 Beran (1969b) 定理 1 中遗漏的项。

  4. 截断与尾控：利用衰减条件 |b_k(φ)| = O(k^{-(1+δ)}) 控制傅里叶展开的截断误差，证明截断后的统计量与完整统计量的差异在概率意义下可忽略。

  5. 连续映射：利用聚合函数 m 的 Lipschitz 连续性（条件 M1），将主项的联合正态性"传递"到聚合统计量上。

关键技术技巧：

  • 三角阵列 CLT 的修正应用：本文的 Lemma B.1 是对 Mardia (1970) Lemma 4.1 的修正和推广。原引理的条件 (c3) 要求 J_{ℓ,N}(1) = o(N^{-1/2})，但本文指出正确的条件应为 J_{ℓ,N}(1) = o(N^{1/2})。这一修正对处理 uniform scores 的离散性至关重要。

  • 共振项的精确计算：Lemma B.4 的核心结果是 E₀[n_ℓ G²_{k,r,ℓ,N}] = 1 - (n_ℓ - 1)/(N - 1) 当 k ∉ NZ₊，而 = n_ℓ 当 k ∈ NZ₊。这个"共振"效应（k 是 N 的倍数时）是 uniform scores 离散性的直接后果，也是 Beran 原始证明中遗漏的关键项。

  • V-statistic 的 SLLN：在定理 6.1 的证明中，作者利用 V-statistic 的强大数定律（Koroljuk & Shields (1994)）来处理固定备择下的极限。

🔎 结论是否比证明窄

是，存在明显的"证明窄于结论"之处：

  1. 定理 5.1 的证明依赖于截断：作者在证明中先对傅里叶级数截断到 K 项，再令 K → ∞。但截断误差的控制依赖于衰减条件 |b_k(φ)| = O(k^{-(1+δ)})，这一条件在正文中并未作为显式假设列出，而是在证明中"顺便"使用。读者需要仔细阅读证明才能发现这一隐含假设。

  2. 定理 6.1 的一致性证明仅针对"至少两个样本不同"的情形：作者在推论 6.1 的证明中处理了"仅一个样本不同"的边界情形，但正文的定理 6.1 陈述中并未明确区分这两种情形。实际上，当仅一个样本不同时，m_∞ 的极限值可能为零（如果 m_∞ 在只有一个正分量时取零），此时一致性不成立。作者在正文中未对此进行讨论。

  3. 聚合函数的条件 (M3) 与 (M4) 的充分性未被严格证明：作者声称 (M3) 保证一致性，(M4) 保证检验的单调性，但并未给出严格的证明。从证明路线来看，(M3) 确实足以保证极限为正，但 (M4) 的"必要性"（即如果不满足 (M4) 会怎样）完全未被讨论。

  4. 局部备择的渐近分布仅对"平移"型备择给出：推论 6.1 仅处理了位置平移的局部备择。对于更一般的局部备择（如尺度变化、多峰混合），作者在讨论中声称"类似结果成立"，但未给出证明。

四、开放问题

  1. K = ∞ 的严格化：定理 5.1 的证明依赖于先截断到 K 项再令 K → ∞ 的两步极限。作者在脚注中声称"截断误差可由衰减条件控制"，但未给出完整的证明。一个值得追问的问题是：衰减条件 |b_k(φ)| = O(k^{-(1+δ)}) 是否是最小充分条件？是否存在更弱的条件（如 Σ b²_k < ∞）也能保证同样的结论？（扎根于定理 5.1 的证明，特别是"截断与尾控"步骤。）

  2. 聚合函数的自适应选择：作者在讨论中建议"根据对备择的先验知识选择聚合函数"，但未给出任何数据驱动的选择准则。一个自然的问题是：能否基于观测数据自适应地选择聚合函数（如通过交叉验证或经验贝叶斯），同时保持检验的尺度和水平性质？（扎根于第 4 节对聚合函数的讨论，以及第 7.4 节对"实际应用中如何选择聚合函数"的未回答。）

  3. 高维情形的推广：作者在讨论中提出"高维设置"作为未来方向，但未给出任何具体猜想。一个具体的问题是：当 c 随 N 增长时（例如 c = c_N → ∞），检验统计量的渐近分布是否仍然成立？此时聚合函数的条件 (M2) 是否需要修改？（扎根于讨论部分"high-dimensional settings"一句。）

  4. 局部备择的推广：推论 6.1 仅处理了平移型局部备择。对于更一般的局部备择（如 Fisher-von Mises 分布的浓度参数变化），非中心参数的形式会如何变化？是否存在类似"非中心参数 = 某种散度度量"的通用公式？（扎根于推论 6.1 的陈述和证明。）

  5. 共振项的更深层影响：Lemma B.4 揭示的"共振效应"（k ∈ NZ₊ 时离散性贡献不消失）是本文最重要的技术发现之一。一个值得追问的问题是：这种共振效应是否会影响检验在有限样本下的性质？例如，当 N 恰好是某个傅里叶频率的倍数时，检验的尺寸是否会出现异常？（扎根于 Lemma B.4 及其在定理 5.1 证明中的应用。）

给研究者的提示：若要确认上述开放问题是否为真 gap，建议去读该领域近期约 5 篇论文的引言和讨论部分——特别是 García-Portugués et al. (2023) 和 Fernández-de-Marcos & García-Portugués (2023) 的后续工作。如果这些论文都未提及上述问题，那么它们大概率是未被开发的空白。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论