Testing for Unobserved Heterogeneity in Censored Duration Models: EM Approach¶
作者: Hiroyuki Kasahara, Hirokazu Matsuyama, Katsumi Shimotsu, Shota Takeishi
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2609.36824
一、领域脉络与小综述¶
这个方向是什么:持续时间(duration/survival)模型在劳动经济学、产业组织和金融学中广泛用于刻画"某一状态持续的时间",如失业持续期、企业存续期、股票交易间隔等。一个核心的建模问题是:观测到的持续时间数据中,个体之间是否存在不可观测的异质性(unobserved heterogeneity)——即除可观测协变量外,是否还存在未被观测到的、影响退出率(hazard rate)的个体差异。若存在而未加控制,参数估计会偏倚(Heckman and Singer, 1984 的经典结论),且推断失效。检验"是否存在异质性"在统计上是非正则的:原假设位于参数空间边界,且部分参数在原假设下不可识别,导致标准渐近理论(如 Wald/LM/卡方极限)失效。本文正是在这一非正则检验框架下,将 Li, Chen, and Marriott (2009) 的 EM 检验方法推广到删失 Weibull 持续时间模型,并证明其渐近零分布为 (max{0, N(0,1)})²,从而无需 bootstrap 即可获得临界值。
发展脉络:
-
奠基工作:异质性对持续时间模型的影响。Heckman and Singer (1984) 证明,忽略未观测异质性会导致持续时间依赖(duration dependence)的参数估计严重偏倚,并指出参数化混合分布(如 Gamma 混合)的估计结果对混合分布假设敏感。这一工作奠定了"异质性必须被认真对待"的共识,也使得"检验异质性是否存在"成为一个有明确应用价值的问题。
-
第一代检验:信息矩阵检验与 LM 检验。Chesher (1984) 和 Lancaster (1984, 1985) 提出基于信息矩阵等式(information matrix equality)的检验:在无异质性的原假设下,信息矩阵等式应成立,若异质性存在则被违反。Lancaster (1985) 进一步利用 Laguerre 多项式展开构造了针对 Weibull 模型的 LM 检验。Kiefer (1985) 和 Prieger (2003) 沿此路线发展。这些检验的优点是计算简单(只需在原假设下估计),但本文的模拟显示它们在删失情形下严重过度拒绝(见表 1:IM 在 n=50 时拒绝率 16.18%,LM3 高达 34.72%),且其渐近卡方近似在有限样本下不可靠。
-
第二代检验:似然比检验(LRT)。Cho and White (2010) 在有限混合框架下研究 Weibull 持续时间模型的 LRT,证明了其渐近零分布为某个高斯过程泛函的平方上确界,并给出加权 bootstrap 的实现方法。这是理论上最完备的检验,但存在三个问题:(i) 渐近分布依赖协变量和删失分布,必须逐例模拟;(ii) 计算量大(需要在高斯过程网格上模拟);(iii) 在删失情形下明显保守(表 1:n=500 时 LRT 拒绝率仅 0.42%–2.86%,远低于名义水平 5%)。Cho and White (2010) 还发现 LRT 的渐近分布对参数空间 A 的选择敏感,而 A 的选择在应用中没有先验依据。
-
第三条路线:EM 检验。Li, Chen, and Marriott (2009) 针对正态混合模型提出 EM 检验:利用 EM 算法的迭代结构,从多个初始点出发,取惩罚对数似然的最大值作为检验统计量。其关键优势是渐近零分布简单((max{0, N(0,1)})²),无需模拟。Chen and Li (2009) 将其推广到正态混合回归,Kasahara and Shimotsu (2015) 进一步推广到一般混合回归模型(含异方差)。本文是这一路线的自然延伸:将 EM 检验从无删失的回归/混合模型推广到带删失的持续时间模型,并处理了删失带来的技术困难(如高斯过程的协方差结构变化)。
-
当前 frontier:非参数混合分布的检验(Gu, Koenker, and Volgushev, 2018)——将混合分布视为完全非参数,检验其退化性。这一路线更灵活但计算更复杂(需要凸优化求解非参数 MLE),且 bootstrap 的一致性需要额外条件。本文的 EM 检验是参数化路线(两点混合),在计算简便性和功效之间取了折中。
子线索聚类:
- EM 检验家族(Li-Chen-Marriott 2009; Chen-Li 2009; Kasahara-Shimotsu 2015; 本文):核心思想是用 EM 算法构造检验统计量,利用惩罚函数和网格搜索处理不可识别性,渐近分布简单。
- LRT 家族(Cho-White 2010; Gu-Koenker-Volgushev 2018):基于似然比统计量,渐近分布为高斯过程泛函,需要 bootstrap 或模拟临界值。
- IM/LM 检验家族(Chesher 1984; Lancaster 1984, 1985; Kiefer 1985; Prieger 2003):基于得分或信息矩阵等式,计算最简单但有限样本表现差。
- 删失与内生性(Khan-Tamer 2007, 2009; Szydłowski 2019; Sakaguchi 2024):放宽"删失独立于异质性"的假设,处理内生删失。本文明确将这一方向列为 future work。
这个方向在追问的核心问题:
- 如何在原假设下参数不可识别时构造检验? 这是所有混合模型检验的核心困难。原假设 H₀: δ₁=δ₂ 下,混合比例 π 和成分参数 δ₁, δ₂ 不可识别,似然比统计量的渐近分布不再是 χ²。EM 检验的解法是:固定 π 在有限网格上,对每个 π 最大化惩罚对数似然,再取最大值。
- 如何在删失存在时保持检验的有效性? 删失改变了似然的形状,使得信息矩阵的结构更复杂。本文证明 EM 检验在协变量依赖删失下仍然有效,这是对 Cho-White LRT 的重要改进(LRT 的渐近分布在协变量依赖删失下未知)。
- 如何避免计算密集的 bootstrap? LRT 需要加权 bootstrap 来逼近高斯过程泛函的分布,而 EM 检验的临界值直接从标准正态分布获得(2.706 对应 5% 水平),这是一个实质性的计算优势。
⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 成"现有检验在删失持续时间模型中要么过度拒绝(IM/LM),要么保守且计算密集(LRT),而 EM 检验能同时解决这两个问题"。具体来说:(i) IM/LM 检验的 χ² 渐近近似在删失下失效,导致严重过度拒绝;(ii) Cho-White LRT 虽然理论上有效,但其渐近分布依赖删失机制,且需要 bootstrap,在协变量依赖删失下甚至没有理论保证;(iii) EM 检验的渐近分布是 (max{0, N(0,1)})²,与删失机制无关,因此无需模拟。作者在引言中明确说:"The proposed test offers several attractive features. First, the asymptotic null distribution of the test statistic is the square of max{0, N(0,1)}. Critical values therefore require neither simulation nor the bootstrap."(第 2 页)。被淡化的是:EM 检验只针对两点混合这一特定备择,而 Gu et al. (2018) 的非参数方法能检测更一般的混合分布;此外,EM 检验对网格 Π 的选择(本文取 0.05 到 0.5 的等距网格)有一定敏感性,但作者通过模拟表明这种敏感性很小。
张力:被引文献之间存在一个明显的张力——参数化混合 vs 非参数混合。Cho-White 和本文都采用两点混合(参数化),优点是检验统计量简单、功效针对性强;Gu-Koenker-Volgushev 采用非参数混合,优点是备择更广,但计算复杂且 bootstrap 的一致性需要额外条件。另一个张力是检验的保守性 vs 过度拒绝:LRT 在有限样本下保守(表 1:n=500 时拒绝率 0.42%–2.86%),IM/LM 过度拒绝(16%–35%),EM 检验居中(5% 左右)。未见明显对立引用——即没有文献在相同条件下得到相反的结论。
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¶
可观测数据:对每个个体 t = 1, …, n,观测到三元组 (Yᶜ_t, D_t, X_t),其中:
- Yᶜ_t = min{Y_t, C_t}:观测到的持续时间(取较小者),Y_t > 0, C_t > 0;
- D_t = 1{Yᶜ_t = Y_t}:删失指示符,D_t = 1 表示观测到完整持续时间(未删失),D_t = 0 表示删失;
- X_t ∈ ℝᵏ:协变量向量(不含常数项)。
潜在变量(不可观测):
- Y_t:真实的持续时间(若未删失则被观测到);
- C_t:删失时间(若 D_t = 0 则被观测到);
- δ_t:个体层面的异质性参数(不可观测),在两点混合模型下 δ_t ∈ {δ₁, δ₂},P(δ_t = δ₁) = π。
模型设定(本文核心模型):
- 给定 X_t 和 δ_t,Y_t 服从 Weibull 分布,密度为
f(y | x; δ, β, γ) = δ γ φ(x; β) y^{γ−1} exp(−δ φ(x; β) y^γ), y > 0,
其中 δ > 0 是尺度参数(异质性来源),γ > 0 是形状参数,φ(x; β) > 0 是回归函数(如 exp(xᵀβ))。
- 异质性模型:给定 X_t,Y_t 的密度是两点混合
f_a(y | x; π, δ₁, δ₂, β, γ) = π f(y | x; δ₁, β, γ) + (1−π) f(y | x; δ₂, β, γ)。
-
删失:Y_t 与 C_t 在给定 X_t 下条件独立(协变量依赖删失,C_t 的分布完全任意,不建模)。
-
观测数据的条件密度(用于似然):
fᶜ(yᶜ, d | x; π, δ₁, δ₂, β, γ) = [π f(yᶜ | x; δ₁, β, γ) + (1−π) f(yᶜ | x; δ₂, β, γ)]ᵈ × [1 − F(yᶜ | x; π, δ₁, δ₂, β, γ)]^{1−d} × [删失项,与参数无关,可丢弃]。
其中 F 是混合 Weibull 的分布函数。注意:删失项 {1−G(yᶜ|x)}ᵈ {g(yᶜ|x)}^{1−d} 不包含模型参数,因此在似然中可省略——这是删失能被任意处理的关键。
参数与估计目标:
- 参数向量:θ = (δ₁, δ₂, βᵀ, γ)ᵀ ∈ Θ = D² × B × Γ ⊂ ℝ₊² × ℝᵈ × ℝ₊。
- 原假设 H₀: δ₁ = δ₂(无异质性),等价于 λ := δ₁ − δ₂ = 0。
- 注意:在原假设下,π 和 δ(共同值)不可识别——这是非正则性的来源。
检验问题:H₀: λ = 0 vs H₁: λ ≠ 0(且 π ∈ (0,1))。
第二步:最小内核——最简例子¶
最简设定:无协变量(k = 0,φ ≡ 1),无删失(C_t = ∞,即所有持续时间完整观测),形状参数 γ = 1(指数分布),混合比例 π = 0.5 固定已知。此时模型退化为:
- 同质(H₀):Y ~ Exp(δ),密度 f(y; δ) = δ e^{−δy};
- 异质(H₁):Y ~ 0.5·Exp(δ₁) + 0.5·Exp(δ₂),密度 f_a(y; δ₁, δ₂) = 0.5 δ₁ e^{−δ₁y} + 0.5 δ₂ e^{−δ₂y}。
核心困难:在 H₀ 下,δ₁ = δ₂ = δ,但 π 固定为 0.5 时,δ 是唯一可识别参数;然而若允许 π 自由,则 π 和 δ 在 H₀ 下不可识别(因为 δ₁ = δ₂ 时,π 不进入似然)。更关键的是,对数似然在 H₀ 附近对 λ 的一阶导数为零(因为似然在 λ = 0 处关于 λ 对称),且 Fisher 信息关于 λ 也为零。这意味着:
- 标准 Wald 检验:λ̂ 的渐近方差发散,检验统计量不收敛;
- 标准 LM 检验:得分在 H₀ 下恒为零,检验统计量退化;
- 标准 LRT:似然比统计量不发散到 χ²₁,而是收敛到某个高斯过程泛函的平方。
EM 检验的核心思想(Li-Chen-Marriott 2009 的推广):
- 引入惩罚函数:定义惩罚对数似然 PL_n(π, θ) = L_n(π, θ) + p(π),其中 p(π) 非正、连续、在 π = 0.5 处取 0,且当 π → 0 或 1 时 p(π) → −∞。惩罚的作用是防止 EM 迭代收敛到 π 的边界(那里似然可能发散)。
- 固定 π 的网格搜索:取有限网格 Π ⊂ (0, 0.5],对每个 π₀ ∈ Π,用 EM 算法最大化 PL_n(π₀, θ) 得到 θ̂(π₀)。EM 算法的好处是每次迭代保证惩罚对数似然不降,且能处理缺失数据结构(这里"缺失"的是每个个体属于哪个成分的标签)。
- 检验统计量:M_n^K(π₀) = 2[PL_n(π^(K)(π₀), θ^(K)(π₀)) − L₀_n(δ̂, β̂, γ̂)],其中 L₀_n 是同质模型(H₀)下的最大对数似然。EM 检验统计量定义为 EM_n^K = max_{π₀∈Π} M_n^K(π₀)。
- 渐近零分布:在 H₀ 下,EM_n^K →_d (max{0, N(0,1)})²。这个分布的 95% 分位数是 2.706(即 0 以概率 1/2,χ²₁ 以概率 1/2 的混合分布),无需模拟或 bootstrap。
为什么成立(直觉):在 H₀ 下,λ = 0 是似然的一个"鞍点"——沿 λ 方向,似然在 λ = 0 处取局部最小值(因为混合使分布更分散,但真实数据是同质的)。因此,最大化惩罚似然得到的 λ̂ 在 H₀ 下以概率 1/2 取 0(不拒绝),以概率 1/2 取正值(拒绝)。极限分布正是这种"半概率退化"的分布。关键的技术步骤是证明:经过重参数化 (λ, ν)(ν = πδ₁ + (1−π)δ₂),对数似然可以展开为 λ² 的二次型加上可忽略的余项,且 λ² 的系数收敛到正态变量。
这个最小内核揭示了本文的全部数学本质:论文的其余部分(协变量、删失、β-混合、一般 π)都是在为这个核心机制——"原假设下似然对不可识别参数的导数退化,导致极限分布为截断正态的平方"——添加现实所需的复杂性,但基本逻辑不变。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在删失 Weibull 持续时间模型中,如何检验未观测异质性(即两点混合的备择假设),该检验在协变量依赖删失下仍有效,且无需 bootstrap。
- 核心方法:基于 Li-Chen-Marriott (2009) 的 EM 检验框架,构造 EM 检验统计量 EM_n^K = max_{π₀∈Π} 2[PL_n(π^(K)(π₀), θ^(K)(π₀)) − L₀_n(δ̂,β̂,γ̂)],并证明其渐近零分布为 (max{0, N(0,1)})²。
- 主要结论:EM 检验在 n ≥ 500 时经验水平接近名义水平(表 1:5.14%–5.62%),而 LRT 明显保守(0.42%–4.50%),IM/LM 严重过度拒绝(5.90%–34.72%);在斯坦福心脏移植数据中,EM 检验在所有协变量设定下均拒绝同质性(p < 0.01),而 LRT 的结论依赖于参数空间 A 的选择。
关键设定与假设¶
模型设定(在第二节基础上补全):
- 数据生成:{(Y_t, C_t, X_t)} 是严格平稳的几何 β-混合过程(允许时间依赖,如条件持续时间模型)。Y_t 和 C_t 在给定 X_t 下条件独立。
- Weibull 假设:Y_t | X_t, δ_t ~ Weibull(δ_t, β, γ),其中 δ_t 是两点混合:P(δ_t = δ₁) = π,P(δ_t = δ₂) = 1−π。同质模型对应 δ₁ = δ₂。
- 删失假设:C_t 的分布完全未指定(任意依赖于 X_t),只需条件独立。这是本文相对 Cho-White (2010) 的关键推广——Cho-White 只处理了固定删失和随机独立删失。
- 参数空间:Θ = D² × B × Γ 是凸紧集,D ⊂ ℝ₊ 有正下界(保证似然有界)。原假设 H₀: δ₁ = δ₂ 位于参数空间内部(不是边界问题,而是不可识别问题)。
- 惩罚函数:p(π) 非正、连续、p(0.5) = 0、p(π) → −∞ 当 π → 0 或 1。这个条件保证 EM 迭代不会收敛到 π 的边界。
- 网格 Π:有限子集 ⊂ (0, 0.5],且 0.5 ∈ Π。网格的选取影响有限样本表现,但渐近性质不依赖网格密度(因为 0.5 处达到最大)。
相比已有文献的放宽/强化:
- 放宽:删失可以是协变量依赖的任意形式(Cho-White 只处理固定/独立删失);允许 β-混合依赖数据(Cho-White 假设 iid)。
- 强化:假设 Weibull 参数形式(Gu et al. 2018 允许非参数混合分布,但需要 bootstrap);假设两点混合(更一般的混合分布不在本文讨论范围)。
主要结果¶
Proposition 1(核心定理):在 Assumptions 1–3 下,若 H₀ 成立(δ₁ = δ₂ = δ*),则对任意固定 K ≥ 1,
EM_n^K →_d (max{0, N(0,1)})²。
证明路线(附录 B,分三步):
- 相合性:先证明对任意 π₀ ∈ (0,1),θ̂^(1)(π₀) →_p θ* = (δ*, δ*, β*, γ*)。这通过验证惩罚对数似然的均匀收敛(Lemma A1 of Cho-White 2007)和可识别性条件(Assumption 2(iv))完成。关键点:虽然 π 在 H₀ 下不可识别,但 θ 的估计仍然相合,因为 ν = πδ₁ + (1−π)δ₂ 可识别且收敛到 δ*。
- 局部二次展开:重参数化 λ = δ₁ − δ₂, ν = πδ₁ + (1−π)δ₂, ψ = (λ, ν, β, γ)。在 ψ* = (0, δ*, β*, γ*) 附近,将对数似然做四阶 Taylor 展开。关键计算(附录 C Lemma 1):
- ∇_λ ℓ_t(π, ψ*) = 0(一阶项消失);
- ∇_{λλ} ℓ_t(π, ψ*) = 0(二阶项消失);
- ∇{ηλ²} ℓ_t(π, ψ*) 和 ∇{λ⁴} ℓ_t(π, ψ*) 非零。 因此,似然比统计量可以表示为 λ² 的二次型加上可忽略的余项。
- 极限分布:利用 β-混合的中心极限定理(Assumption 3 的矩条件保证),证明 S_{λ·η,n} := n^{−1/2} Σ_t [∇{λ²} ℓ_t(π, ψ*)/(π(1−π)) − 协方差调整项] →d N(0, I{λ·η})。然后最大化关于 λ² ≥ 0 的二次型,得到 (max{0, S{λ·η,n}/√I_{λ·η}})² →_d (max{0, N(0,1)})²。
技术技巧点名:
- 重参数化(λ, ν):这是全文最关键的技巧。它把"两个成分的均值差"λ 和"加权平均"ν 分开,使得在 H₀ 下 ν 可识别而 λ 不可识别。这个技巧直接来自 Rotnitzky, Cox, and Robins (2000) 对奇异信息矩阵的处理,但本文将其推广到带删失和协变量的情形。
- 惩罚函数 p(π):防止 EM 迭代收敛到 π 的边界。这是 Li-Chen-Marriott (2009) 的核心贡献,本文直接继承。p(π) 的具体形式(如 p(π) = log(π(1−π)))不影响渐近分布,但影响有限样本表现。
- 有限网格 Π:避免对 π 的连续优化(那会涉及不可识别参数的 profile 似然)。取最大值后,渐近分布不变,因为 0.5 ∈ Π 且 M_n^K(0.5) 在 H₀ 下渐近等价于最大值。
- β-混合的 CLT:允许数据有时间依赖,这比 Cho-White 的 iid 假设更一般。证明中使用了 Davidson (2021) 的鞅差 CLT。
- 删失项的可忽略性:利用条件独立假设,将删失项从似然中分离,证明它不影响检验统计量的渐近分布。这是本文能处理协变量依赖删失的关键。
模拟实验¶
设计:样本量 n ∈ {50, 100, 500, 1000, 2000, 5000},删失比例约 50%(指数删失),协变量 X ~ N(0,1),β = 1, γ = 1。备择假设为 6 种不同的两点混合分布(离散混合 1、离散混合 2、Gamma 混合、对数正态混合、均匀混合 1、均匀混合 2),其中离散混合 2 的混合比例 π = 0.95(接近边界),均匀混合 2 的方差较小(弱信号)。
核心结果: - 零假设下(表 1):EM 检验在 n ≥ 500 时经验水平 4.52%–5.62%,接近名义水平 5%;LRT 在窄参数空间 [7/9,2] 下仅 0.42%–3.66%,明显保守;IM 在 n=50 时 16.18%,LM3 在 n=50 时 34.72%,严重过度拒绝。 - 备择假设下(表 3–8):EM 检验的规模调整功效与 LRT 相当,且高于 IM/LM。在离散混合 2(π=0.95)下,所有检验功效都低(EM 在 n=5000 时约 12%),但 EM 仍略优于 LRT。 - K 的影响:K=1,2,3 的结果几乎相同(表 1 中 EM(K=2) 和 EM(K=3) 与 EM(K=1) 的差异不超过 0.2 个百分点),说明一步 EM 就足够。
这些结果想说明什么:EM 检验在控制水平方面远优于 IM/LM,在功效方面不输 LRT,且不需要 bootstrap。LRT 的保守性在删失情形下尤其严重,而 EM 检验没有这个问题。
真实数据应用¶
数据:斯坦福心脏移植项目(Kalbfleisch and Prentice, 2002),103 名患者,观测变量为移植后生存时间(天),约 27% 删失。协变量:年龄、移植年份、既往心脏手术史。
方法:对 5 种协变量设定((I) 仅年龄;(II) 年龄+年龄²;(III) 年龄+年份;(IV) 年龄+年龄²+年份;(V) 年龄+年龄²+年份+手术史)分别进行检验。
结果(表 16): - EM 检验在所有 5 种设定下均在 1% 水平拒绝同质性(p = 0.000–0.003)。 - LRT 在窄参数空间 [7/9,2] 下,设定 (I) 和 (II) 不拒绝(p = 0.142, 0.326),设定 (III)–(V) 在 5% 或 10% 水平拒绝;在宽参数空间 [5/9,4] 下,设定 (I) 和 (II) 在 5% 水平拒绝(p = 0.044, 0.884——注意 (II) 在宽空间下 p 值反而增大,说明 LRT 对参数空间的选择高度敏感)。 - IM/LM 检验在设定 (I)–(II) 下拒绝(p < 0.05),但在设定 (III)–(V) 下不拒绝(p > 0.05)。
这个例子想说明什么:EM 检验的结论不依赖于用户选择的参数空间(Π 是固定的,不涉及 A 的选择),而 LRT 的结论对 A 的选择高度敏感。在设定 (II) 下,LRT 在窄空间不拒绝、在宽空间反而 p 值更大,说明 LRT 的临界值对 A 的依赖不是单调的,这在实际应用中是一个严重问题。
🔎 结论是否比证明窄¶
是,存在几处"证明窄于 claim"的地方:
- Proposition 1 只覆盖了 K 固定:定理要求 K 是固定的有限整数,但 EM 算法通常迭代到收敛(K → ∞)。作者在附录中声称"K=2 和 K=3 的结果与 K=1 几乎相同"(表 1),但这只是模拟证据,不是定理。严格来说,定理没有覆盖 EM 算法收敛后的统计量。
- 两点混合假设:定理的证明依赖于两点混合的具体结构(λ 和 ν 的重参数化)。作者在引言中声称 EM 检验能检测"广泛的异质性分布",但定理只覆盖了两点混合。对 Gamma 混合、对数正态混合等连续混合,模拟显示 EM 检验有效,但没有理论保证。
- β-混合的假设:Assumption 1 要求几何 β-混合,但模拟只用了 iid 数据。作者在引言中提到"accommodating autoregressive conditional duration models",但没有模拟或定理验证 β-混合情形下的表现。
- 删失的任意性:作者声称"协变量依赖删失的任意形式"都被允许,但 Assumption 1(ii) 要求 Y_t 和 C_t 在给定 X_t 和过去信息下条件独立。如果删失依赖于未观测的异质性本身(即内生删失),这个假设不成立。作者在结论中承认:"extending the EM test in that direction is left for future work"(第 6 节)。
四、开放问题¶
以下问题均扎根于本文的具体语句或证明中的假设,供研究者自行判断价值:
-
内生删失下的 EM 检验。本文明确说:"Khan and Tamer (2009), Szydłowski (2019), and Sakaguchi (2024) use instruments or report identified sets; extending the EM test in that direction is left for future work."(第 6 节)。这是一个被作者自己标记的缺口:当删失时间 C_t 与未观测异质性 δ_t 相关时,本文的条件独立假设(Assumption 1(ii))不成立,检验是否仍然有效?需要什么额外的识别条件?
-
K → ∞ 的渐近理论。Proposition 1 只覆盖固定 K。EM 算法迭代到收敛时(K → ∞),统计量的渐近分布是否仍然是 (max{0, N(0,1)})²?这需要证明 EM 迭代的收敛速率和余项控制的交换性。作者在附录 B 中只处理了固定 K 的情形。
-
连续混合分布的检验功效。本文的定理只覆盖两点混合。对 Gamma 混合、对数正态混合等连续混合,EM 检验的功效如何?是否存在某种"最不利"的混合分布使 EM 检验失效?这与 Gu, Koenker, and Volgushev (2018) 的非参数方法有何本质区别?
-
网格 Π 的选择。本文取 Π = {0.05, 0.1, ..., 0.5},但定理只要求 0.5 ∈ Π。网格的密度如何影响有限样本功效?是否存在最优网格选择?这与 Cho-White LRT 中参数空间 A 的选择问题有何异同?
-
高维协变量的推广。本文的协变量维度 k 固定。当 k 随 n 增长时(高维持续时间模型),EM 检验的渐近分布是否仍然成立?惩罚函数 p(π) 是否需要调整?这可以联系到高维混合回归模型的检验问题。
-
β-混合下的局部功效。本文只证明了零假设下的渐近分布,没有给出局部备择(contiguous alternatives)下的功效分析。在 β-混合数据下,EM 检验对 O(n^{−1/2}) 尺度的异质性有多大的检测能力?是否存在功效上界?
提醒:要确认上述某条是否是真 gap,建议去读同一子领域(混合模型检验、持续时间模型异质性检验)近 5 年的约 5 篇论文的引言——如果多篇都指向同一个缺口,那是共识性 gap;如果各篇说法互相矛盾,那本身就是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub