Multiple testing of a function's monotonicity¶
作者: Wei Zhao, David M. Kaplan
主题: 数理统计 / 假设检验
相关性: 8/10
链接: https://arxiv.org/abs/2609.31958
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是函数单调性的推断(inference on monotonicity of a function)。其根本统计问题是:给定一个函数 \(m(\cdot)\)(如条件期望函数、分位数回归函数、结构函数等),我们不仅想知道"它是否单调",更想知道"它在哪些点/区域单调、在哪些点/区域不单调"。传统做法是构造一个全局原假设 \(H_0: m(\cdot)\) 单调递增,然后做单一检验;但全局检验拒绝后,研究者只知道"某处不单调",却不知道具体在哪里。本文要解决的就是这个信息损失问题:把全局检验拆成多个逐点检验,并控制族系错误率(FWER),从而在拒绝全局单调性后,还能定位到具体违反单调性的位置。
该方向的成熟度:单调性检验本身有较长历史(如 Ghosal et al. 2000; Hall & Heckman 2000; Chetverikov 2019),但多重检验视角下的单调性推断是一个较新的切入点,相关文献较少,本文作者将其定位为"填补空白"的工作。
发展脉络¶
- 奠基工作:Ghosal et al. (2000) 和 Chetverikov (2019) 提出了回归函数单调性的全局检验,原假设为"\(m(\cdot)\) 在整个定义域上单调递增"。这些工作给出了检验统计量及其极限分布,但只能回答"是否单调"这一二元问题。Hall and Heckman (2000) 则设计了针对"在区间 \(I\) 上单调"的检验统计量,不需要显式估计曲线,但同样是单一全局检验。
- 主要进展:Romano and Wolf (2013) 将单调性检验应用于金融资产期望收益的单调性,其原假设是"收益随特征严格递增",并给出了全局检验方法。他们的方法在框架上与本文最接近,但仍是单一全局检验。同期,Goldman and Kaplan (2018) 提出了随机占优的多重检验方法,将逐点检验的思想引入分布比较,但针对的是 CDF 而非回归函数。
- 当前 frontier:Kaplan (2024) 提出了"共识排序"(consensus ranking)的推断方法,通过反转控制 FWER 的多重检验程序来构造内/外置信集。这是本文直接的方法论基础。Wu and Kaplan (2025) 将多重检验框架扩展到随机单调性检验,但针对的是离散/序数变量情形。
- 本文的位置:本文是 Kaplan (2024) 方法在函数单调性这一具体问题上的应用与推广。作者将"共识排序"的思想移植到"函数在哪些点递增"的问题上,并提供了两个改进功率的程序(stepdown 和 two-stage),这是 Kaplan (2024) 未涉及的。
子线索聚类¶
被引文献大致落在三条子线索上:
- 回归函数单调性的全局检验:Ghosal et al. (2000)、Hall and Heckman (2000)、Chetverikov (2019)。共同点是构造单一原假设,检验统计量基于函数估计或局部差值,关注检验的渐近功效与最优性。
- 多重检验与 FWER 控制:Holm (1979) 的 stepdown 程序、Lehmann and Romano (2005) 的 k-FWER 推广、Romano et al. (2014) 的两阶段方法。这条线索提供的是通用工具,不针对特定问题,本文直接借用并适配。
- 基于多重检验的置信集构造:Romano and Shaikh (2010) 的"反转检验构造置信集"思想、Kaplan (2024) 的共识排序内/外置信集、Armstrong and Shen (2023) 的最优处理分配推断。本文的"内/外置信集"直接继承自这条线索。
这个方向在追问的核心问题¶
- 如何从"是否单调"到"哪里单调":全局检验的信息量不足,需要逐点检验来定位违反单调性的区域。核心困难在于逐点检验之间的相关性——相邻点的检验统计量高度相关,简单 Bonferroni 校正会过度保守。
- 如何在控制 FWER 的同时最大化功率:这是多重检验的经典困境。本文的 stepdown 和 two-stage 程序分别从不同角度缓解:stepdown 利用已拒绝的假设来降低后续临界值,two-stage 利用第一阶段的置信集排除非边界的点。
- 如何覆盖广泛的模型类别:本文的高层假设(联合渐近正态性)使其适用于条件期望函数、分位数回归、IV 结构函数等多种模型,但代价是假设本身需要逐模型验证。
⚠️ 作者的 framing(这是作者的说法)¶
作者在引言中将缺口 frame 为:"全局检验只能给出二元答案,无法告诉研究者函数在哪些点递增、在哪些点递减。我们的方法通过多重检验提供更丰富的信息,并且通过反转原假设方向,还能在全局检验未拒绝时提供支持单调性的更强证据。" 作者淡化了与 Romano and Wolf (2013) 的竞争关系,强调自己的方法"更精细"(逐点而非全局)。作者也回避了检验的最优性问题——没有声称在某种意义下功率最优,只声称"控制 FWER 且比 Bonferroni 更高效"。
值得研究者去查的问题:作者没有引用近期(2020 年后)关于单调性检验的贝叶斯方法或基于高斯过程的方法,也没有讨论多重检验的 FDR 控制(Benjamini-Hochberg 只在脚注中提及并排除)。这些是明显的文献空白,可能是作者有意回避的竞争路线。
张力¶
未见明显的文献间对立。但有一个值得注意的张力:Romano and Wolf (2013) 的全局检验在"函数整体递增"这一原假设下具有较高的功效,而本文的逐点检验在"函数大部分递增但局部递减"的情形下更有信息量。两者在不同场景下各有优势,并非简单的优劣关系。作者在文中承认了这一点("全局检验和多重检验有互补的功率优势"),但未给出系统的比较。
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¶
在展开技术细节之前,先建立记号。这是全文的地基。
参数 / 估计目标: - \(m(\cdot)\):未知函数,定义在某个集合 \(\mathcal{X}\) 上(可以是离散集合如 \(\{1,\dots,h\}\),也可以是连续区间)。 - \(d_x \equiv m(x) - m(x+1)\):函数在相邻两点间的差值。这是本文的核心 estimand——我们关心 \(d_x\) 的符号。 - \(S \equiv \{x : d_x \le 0\}\):函数递增的点集(真实但未知)。 - \(\mathcal{X} = \{1, \dots, h\}\):检验点的指标集。注意 \(x\) 可以是离散值(如教育年限)或连续值的离散化(如分位数网格)。
随机变量 / 样本: - \(\hat{m} \equiv (\hat{m}(1), \dots, \hat{m}(h))'\):\(m\) 的估计量,是一个 \(h\) 维随机向量。 - \(n\):样本量。 - \(W_i\):原始观测数据(如 \((Y_i, X_i)\)),通过某种估计程序(如最小二乘、分位数回归、核估计)得到 \(\hat{m}\)。
已知 / 假设: - 假设 A1(高层假设):\(\sqrt{n}(\hat{m} - m) \xrightarrow{d} N(0, V_a)\),且 \(V_a\) 可被一致估计 \(\hat{V}_a \xrightarrow{p} V_a\)。这个假设是全文的基石——它不指定 \(\hat{m}\) 的具体形式,只要求联合渐近正态性。 - 由 A1 可推出 \(\hat{d}_x \equiv \hat{m}(x) - \hat{m}(x+1)\) 的联合渐近正态性,协方差矩阵 \(V_b = G' V_a G\),其中 \(G\) 是 \(h \times (h-1)\) 的差分矩阵,\(G_{(x,j)} = \mathbf{1}\{x=j\} - \mathbf{1}\{x=j+1\}\)。
可观测数据:研究者实际能观测到的是 \(\hat{m}\) 和 \(\hat{V}_a\)(或 \(\hat{V}_b\)),以及由此构造的检验统计量 \(\hat{t}_x = \hat{d}_x / \hat{s}_x\),其中 \(\hat{s}_x = \sqrt{\hat{V}_{b,(xx)}/n}\)。
关键区分:\(d_x\) 是参数(真实但未知),\(\hat{d}_x\) 是估计量(随机),\(\hat{t}_x\) 是检验统计量(可计算)。\(S\) 是目标集合,\(\hat{S}\) 是估计集合。
第二步:最小内核¶
剥掉所有一般性假设后,本文的核心数学问题可以归结为以下最小形式:
设定:假设 \(h = 3\) 个检验点,真实函数值 \(m(1) = 0, m(2) = 0, m(3) = 1\)。则 \(d_1 = m(1) - m(2) = 0\)(持平),\(d_2 = m(2) - m(3) = -1\)(递增)。真实集合 \(S = \{1, 2\}\)(两处都满足 \(d_x \le 0\))。
可观测数据:假设 \(\hat{m} = (0.1, -0.2, 1.1)'\),\(\hat{V}_b/n = I_2\)(单位阵),则 \(\hat{d}_1 = 0.3\),\(\hat{d}_2 = -1.3\),\(\hat{s}_1 = \hat{s}_2 = 1\),检验统计量 \(\hat{t}_1 = 0.3\),\(\hat{t}_2 = -1.3\)。
要做的决策:对每个 \(x \in \{1, 2\}\),决定是否拒绝 \(H_{0x}: d_x \le 0\)(即是否认为函数在 \(x\) 处不递增)。
核心困难:\(\hat{t}_1 = 0.3 > 0\),但这是否足以拒绝 \(H_{01}\)?如果只做单次检验,用标准正态临界值 \(z_{0.95} = 1.645\),则 \(0.3 < 1.645\),不拒绝。但如果我们同时检验 \(H_{01}\) 和 \(H_{02}\),且 \(H_{02}\) 的 \(\hat{t}_2 = -1.3\) 远小于 0,那么 \(H_{01}\) 的检验是否应该更严格(因为做了两次比较)?
本文的答案:构造一个临界值 \(c_\alpha\),使得在所有 \(d_x = 0\) 的最不利情形下,错误拒绝至少一个真假设的概率不超过 \(\alpha\)。这个 \(c_\alpha\) 是 \(h-1\) 个相关正态变量最大值的 \((1-\alpha)\) 分位数。在 \(h=3\) 时,\(c_{0.05} \approx 2.13\)(而非单次检验的 1.645,也非 Bonferroni 的 \(\Phi^{-1}(1-0.05/2) \approx 2.24\))。因为 \(0.3 < 2.13\),所以不拒绝 \(H_{01}\)。
为什么这个例子是"最小内核":它展示了本文的全部三个关键要素: 1. 逐点检验:不是检验"整个函数是否递增",而是检验每个 \(x\) 处是否递增。 2. 相关性感知的临界值:\(c_\alpha\) 利用了 \(\hat{t}_1, \hat{t}_2\) 之间的相关性(由 \(V_b\) 决定),比 Bonferroni 更精确。 3. 最不利情形的 FWER 控制:\(c_\alpha\) 在 \(d_x = 0\)(所有原假设为真且"最紧")时达到最大拒绝概率 \(\alpha\)。
一般情形(任意 \(h\)、任意 \(V_b\)、任意估计程序)只是这个例子的"加壳":\(c_\alpha\) 从 \(h=3\) 的分位数推广到一般 \(h\) 的分位数,\(V_b\) 从单位阵推广到任意正定矩阵,\(\hat{m}\) 从简单均值推广到任意满足 A1 的估计量。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在函数 \(m(\cdot)\) 的估计量满足联合渐近正态性的高层假设下,如何对"函数在哪些点递增"这一族假设进行多重检验,并构造递增点集合的内/外置信集。
- 核心工具 / 方法:反转控制 FWER 的多重检验程序(基于最大 \(t\) 统计量的临界值),并提出了 stepdown 和 two-stage 两种改进功率的程序。
- 主要结论:所提出的方法在渐近意义上强控制 FWER;stepdown 和 two-stage 程序在模拟中比基础方法有更高的功率,且 combined 方法的功率改进超过了两种改进的简单相加。
关键设定与假设¶
设定: - 检验点集合 \(\mathcal{X} = \{1, \dots, h\}\),\(h\) 固定有限。 - 原假设族 \(H_{0x}: d_x \le 0\),其中 \(d_x = m(x) - m(x+1)\)。 - 目标集合 \(S = \{x : d_x \le 0\}\)(真实递增点集)。 - 估计量 \(\hat{m}\) 满足 A1:\(\sqrt{n}(\hat{m} - m) \xrightarrow{d} N(0, V_a)\),\(\hat{V}_a \xrightarrow{p} V_a\)。
相比已有文献的放宽 / 强化: - 放宽:A1 是高层假设,不要求 \(\hat{m}\) 的具体形式(可以是参数、半参数、非参数估计),因此方法适用于广泛的模型类别。相比 Chetverikov (2019) 需要特定于核估计的假设,本文更通用。 - 强化:A1 要求联合渐近正态性,且协方差矩阵可一致估计。对于非参数估计(如局部线性回归),这需要额外的带宽条件和偏差控制(作者在附录 A.2 中讨论了功能系数模型的验证)。相比 Romano and Wolf (2013) 的全局检验,本文的逐点检验需要估计 \(V_b\) 的全部元素,而不仅是最大值统计量的分布。
关键假设的统计含义: - A1 的实质是:\(\hat{m}\) 的估计误差在 \(h\) 个点上联合收敛到高斯过程。这保证了 \(\hat{t}_x\) 的联合分布可以用高斯近似,从而 \(c_\alpha\) 可以通过模拟高斯变量得到。 - 正定性假设(\(V_a\) 正定)保证 \(\hat{s}_x > 0\) 依概率成立,避免除零问题。
主要结果¶
定理 2.1(联合正态性):在 A1 下,\(\hat{Z}_x \equiv (\hat{d}_x - d_x)/\hat{s}_x\) 的联合分布收敛到 \(N(0, \Sigma)\),其中 \(\Sigma = A V_b A'\),\(A\) 是对角矩阵,\(A_{(xx)} = 1/\sqrt{V_{b,(xx)}}\)。这个定理是基础——它将检验统计量的极限分布从"逐点正态"提升到"联合正态",从而为多重检验的临界值计算提供了基础。
定理 2.2(FWER 控制):Method 1 强控制渐近 FWER,即 \(\limsup_{n\to\infty} \text{FWER} \le \alpha\)。证明的关键在于:对任意真实参数 \(d\),\(\hat{t}_x \le \hat{Z}_x\)(因为 \(d_x \le 0\) 时 \(\hat{t}_x = \hat{Z}_x + d_x/\hat{s}_x \le \hat{Z}_x\)),所以错误拒绝的概率被 \(\max_{x \in S} \hat{Z}_x > c_\alpha\) 的概率所控制,而后者在 \(d_x = 0\)(最不利情形)时达到 \(\alpha\)。
定理 6.1(stepdown):Method 6 强控制渐近 FWER。证明思路是:stepdown 的临界值序列 \(c_{\hat{K}^{(i)}}^\alpha\) 是单调递减的(因为 \(\hat{K}^{(i)}\) 在缩小),且每一步的拒绝事件都蕴含基础方法在某个子集上的拒绝事件,从而 FWER 被基础方法的 FWER 所控制。
定理 6.3(two-stage):Method 8 强控制渐近 FWER。证明的关键是:第一阶段置信区间以概率 \(1-\beta+o(1)\) 覆盖真实 \(d\),在这个事件下,第二阶段的临界值 \(c\) 不小于 oracle 临界值 \(c^o\),从而 FWER 被 \(\alpha-\beta+\beta=\alpha\) 控制。
定理 3.1 / 3.2(置信集):外置信集 \(\hat{S}_o\) 以概率 \(\ge 1-\alpha+o(1)\) 包含真实 \(S\);内置信集 \(\hat{S}_i\) 以概率 \(\ge 1-\alpha+o(1)\) 被真实 \(S\) 包含。这是通过反转 MTP 得到的标准结果。
证明路线与技术技巧¶
整体路线(以定理 2.2 为例): 1. 标准化:将 \(\hat{d}_x\) 标准化为 \(\hat{Z}_x\),使其极限分布为 \(N(0, \Sigma)\)。 2. 上界:利用 \(d_x \le 0\) 时 \(\hat{t}_x \le \hat{Z}_x\),将 FWER 上界为 \(P(\max_{x \in S} \hat{Z}_x > c_\alpha)\)。 3. 最不利情形:证明 \(P(\max_{x \in S} \hat{Z}_x > c_\alpha)\) 在 \(d_x = 0\) 时最大(因为 \(d_x\) 越接近 0,\(\hat{Z}_x\) 的分布越"右偏")。 4. 临界值定义:\(c_\alpha\) 定义为 \(\max_{x \in \{1,\dots,h-1\}} Z_x\) 的 \((1-\alpha)\) 分位数,其中 \(Z \sim N(0, \Sigma)\)。由定义,\(P(\max_{x \in S} \hat{Z}_x > c_\alpha) \to \alpha\)。
关键跳跃点: - 跳跃 1:从 \(\hat{t}_x\) 到 \(\hat{Z}_x\) 的转换。\(\hat{t}_x = \hat{Z}_x + d_x/\hat{s}_x\),当 \(d_x < 0\) 时,\(\hat{t}_x\) 的分布左移,所以用 \(\hat{Z}_x\) 来控制 FWER 是保守的。这个跳跃虽然简单,但它是整个 FWER 控制的基石。 - 跳跃 2:stepdown 的单调性证明。需要证明临界值序列 \(c_{\hat{K}^{(i)}}^\alpha\) 的单调性,以及每一步拒绝事件与基础方法拒绝事件的包含关系。这里的难点在于 \(\hat{K}^{(i)}\) 是随机的,需要处理随机集合上的最大值分布。 - 跳跃 3:two-stage 的 oracle 论证。需要证明在"第一阶段置信区间覆盖真实 \(d\)"的事件下,第二阶段的临界值 \(c\) 不小于 oracle 临界值 \(c^o\)。这里的难点在于 \(c\) 是 \(\min(0, \hat{d}^*)\) 的函数,而 \(\hat{d}^*\) 是随机的,需要仔细处理"最小"运算与分位数运算的交换。
技术技巧点名: - 最大 \(t\) 统计量:用 \(\max_x \hat{t}_x\) 作为检验统计量,将多重检验问题转化为单次最大值检验问题。这是多重检验中处理相关性的标准技巧。 - 高斯模拟临界值(Method 2):用 \(\hat{\Sigma}\) 模拟 \(N(0, \hat{\Sigma})\) 的最大值分布,避免了复杂的解析计算。这是计算密集型但概念简单的方法。 - bootstrap 临界值(Method 3):用非参数 bootstrap 逼近 \(\hat{Z}^*\) 的分布,相比高斯模拟,bootstrap 能捕捉有限样本的偏差。 - 反转 MTP 构造置信集:将 FWER 控制的多重检验程序反转,得到内/外置信集。这是 Romano and Shaikh (2010) 的标准技巧,本文直接借用。 - least favorable null:在所有 \(d_x = 0\) 时 FWER 最大,因此只需在该点校准临界值。这是 FWER 控制的标准论证。
真实例子与应用¶
实证例子:教育与收入(Section 4)
- 数据:
census2000数据集(R 包wooldridge),\(n = 29{,}501\) 个观测。\(Y\) = 周收入对数(lweekinc),\(X\) = 教育年限(educ)。 - 方法应用:估计条件期望函数 \(m(x) = E[\text{lweekinc} | \text{educ} = x]\),在 \(x \in \{9, 10, 11, 12, 13, 14\}\) 六个点上检验单调性。使用 OLS 估计 \(m(x)\)(对教育年限的虚拟变量回归),用异方差稳健标准误估计 \(V_a\)。
- 结果:\(t\) 统计量分别为 \(\hat{t}_9 = -1.20\),\(\hat{t}_{10} = 1.66\),\(\hat{t}_{11} = -9.78\),\(\hat{t}_{12} = -12.06\),\(\hat{t}_{13} = -1.38\),\(\hat{t}_{14} = -17.70\)。临界值 \(\hat{\hat{c}}_{0.05} = 2.40\)(模拟得到)。因此,没有拒绝任何 \(H_{0x}\)(即没有证据表明函数在任一点递减)。但反转原假设后,拒绝了 \(H^*_{0x}\) 对 \(x \in \{11, 12, 14\}\)(即强烈支持函数在这些点递增)。
- 例子想说明什么:全局检验(如 Romano and Wolf 2013)在此例中无法拒绝"函数整体递增"的原假设,因此只能给出"没有证据反对单调性"的弱结论。而本文的方法通过反转原假设,给出了"函数在 11、12、14 年教育处显著递增"的强结论。这展示了多重检验相比全局检验的信息优势。
模拟例子(Section 5)
- 设定:\(h = 4\),\(m(x) = 1\)(平坦函数,所有 \(d_x = 0\),最不利情形)。\(Y_i = 1 + \epsilon_i\),\(\epsilon_i \sim N(0, \sigma_x^2)\),\(\sigma_x = 1\) 或 \(\sigma_x = x\)(异方差)。
- 方法:比较 Method 1(高斯模拟临界值)、Method 3(bootstrap 临界值)和 Bonferroni 的 FWER。
- 结果:在 \(n_x = 10\) 时,Method 1 的 FWER 为 0.070(略高于名义 0.05),Method 3 为 0.040(略低于名义),Bonferroni 为 0.069。在 \(n_x = 100\) 时,Method 1 和 Bonferroni 的 FWER 都接近 0.05,Method 3 为 0.050。结论:三种方法在大样本下都控制 FWER,但 bootstrap 在小样本下更保守(FWER 更低),高斯模拟略激进。
模拟例子(Section 6.3)
- 设定:\(h = 23\),\(m(x)\) 在 \(x \in \{1, \dots, 12\}\) 递增,在 \(x \in \{13, \dots, 23\}\) 递减(见公式 8)。\(n_x \in \{50, 100, 200\}\)。
- 方法:比较 Method 1、Method 6(stepdown)、Method 8(two-stage)和 combined(stepdown + two-stage)的 FWER 和功率。
- 结果:在 \(n_x = 100\) 时,FWER 分别为 0.004(Bonferroni)、0.004(Method 1)、0.006(stepdown)、0.006(two-stage)、0.024(combined)。功率(平均拒绝的假假设数)分别为 7.46(Bonferroni)、7.47(Method 1)、7.88(stepdown)、7.86(two-stage)、9.11(combined)。结论:combined 方法的功率改进(9.11 - 7.47 = 1.64)超过了 stepdown(0.41)和 two-stage(0.39)的改进之和(0.80),说明两种改进机制互补。
🔎 结论是否比证明窄¶
- 明确证明 vs 泛泛声称:定理 2.2、3.1、3.2、6.1、6.3 都给出了严格的渐近证明。但作者在引言中声称方法适用于"广泛的因果和描述性统计模型",这一声称比证明更宽——证明只依赖于 A1(联合渐近正态性),但 A1 本身需要逐模型验证。作者在附录 A 中只验证了 IVQR 和功能系数模型两个特例,并未给出一般性的验证条件。
- 有限样本性质:所有定理都是渐近的,作者没有给出有限样本的误差界或 Edgeworth 展开。模拟显示小样本下 FWER 有轻微偏差(0.070 vs 0.05),但作者没有理论解释。
- 功率最优性:作者没有声称 stepdown 或 two-stage 在某种意义下功率最优,只声称"改进功率"。这是一个诚实的限定,但也意味着方法可能不是最优的。
- 连续 \(X\) 的情形:作者的方法要求 \(X\) 是离散的或预先选定有限个检验点。对于连续 \(X\),如何选择检验点(以及检验点数量对 FWER 的影响)没有讨论。作者在结论中承认这是"未来工作"。
四、开放问题¶
-
检验点数量 \(h\) 的选择:作者的方法要求预先选定 \(h\) 个检验点。当 \(h\) 随样本量增长时,FWER 控制是否仍然成立?这需要高维正态近似或极值理论,作者在结论中提到"渐近增加的评估点数量"是未来方向,但没有给出具体思路。扎根于 Section 7 最后一段。
-
连续 \(X\) 的单调性区域推断:本文只处理离散检验点。对于连续 \(X\),能否构造"函数递增的连续区域"的置信集?这需要函数型推断或高斯过程逼近,与作者目前使用的有限维正态近似有本质区别。扎根于 Section 7 的"continuous \(X\)"讨论。
-
FDR 控制的替代:作者明确排除了 FDR 控制(脚注 2),理由是"FWER 更适合置信集构造"。但在探索性分析中,FDR 可能更合适。是否存在同时控制 FDR 且能构造有效置信集的方法?扎根于脚注 2。
-
功率最优性:stepdown 和 two-stage 的功率改进是启发式的,没有理论保证。是否存在某种意义下(如最小最大)最优的多重检验程序?这需要与 Lehmann and Romano (2005) 的 k-FWER 框架做更系统的比较。扎根于 Section 6 的引言部分。
-
弱假设下的有效性:A1 要求联合渐近正态性,这在非平稳时间序列或强相依数据下可能不成立。能否将方法推广到非正态极限(如稳定分布)或需要更弱的耦合条件?扎根于 A1 的讨论(Section 2.3)。
提示:要确认上述哪些是真正的 gap,建议去读 Chetverikov (2019)、Romano and Wolf (2013)、Kaplan (2024) 这三篇的近期引用文献(2023-2026),看是否已有工作解决了其中某条。如果三篇以上的近期论文都指向同一个开放问题,那大概率是共识性 gap;如果各说各话,则可能是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub