Goodness-of-fit for distributions on metric spaces¶
作者: Diego Serrano, Eduardo García-Portugués, Ingrid Van Keilegom
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2609.38158
一、领域脉络与小综述¶
这个方向是什么:本子方向要解决的根本问题是:在缺乏线性、坐标或体积结构的可分度量空间 (Ω, d) 上,如何对随机对象的概率分布进行拟合优度检验(GOF)。经典方法(如 Kolmogorov–Smirnov、Cramér–von Mises)依赖实数轴上的序结构,无法直接推广。当前主流策略是将分布嵌入到某个函数空间或再生核 Hilbert 空间,再比较经验版本与理论版本的差异。本文提出的"距离剖面"(distance profiles)方法属于这一大类:用一族以每个中心 ω∈Ω 为参数的球上概率 F^μ_ω(t) := P(d(ω, X) ≤ t) 来刻画分布 μ。该方向的成熟度处于"工具已备、统一框架缺失"的阶段:距离剖面已被用于两样本检验、聚类、变点检测等,但将其系统发展为一般度量空间上的 GOF 理论(含复合原假设与参数估计效应)尚属首次。
发展脉络(history): - 奠基工作:Szabados (1987) 最早提出用"中心在样本点、半径变化的球"上的经验分布构造检验统计量,并证明了指数界,但仅处理简单原假设,且未给出渐近分布。作者在引言中称其为"precursor of distance profiles for GOF testing"。 - 距离剖面的现代复兴:Dubey et al. (2024) 系统定义了距离剖面,证明了在强负定型(strong negative type)条件下距离剖面刻画分布(即 F^μ_ω ≡ F^ν_ω 对所有 ω 成立 ⇒ μ = ν),并建立了 Donsker 定理。这是本文的直接理论基石。Chen and Dubey (2025) 进一步将可识别性条件推广到加倍条件(doubling condition),并用于独立性检验。 - 并行路线:作者在引言中明确对比了三条竞争路线:(i) 基于核的嵌入方法(如 MMD,Balasubramanian et al., 2021),需要选择核且核的选择影响检验功效;(ii) 基于投影的方法(如随机投影,Cuesta-Albertos et al., 2007),需要投影分布的选择;(iii) 基于最优传输的 Wasserstein 检验(Hallin et al., 2021),计算成本高且主要适用于欧氏空间。作者指出这些方法"use linear, coordinate, volume, reproducing kernel, or differential structure in addition to the metric",而距离剖面只依赖度量本身。 - 当前前沿:kernel Stein discrepancy 方法(Hagrass et al., 2026)需要 Stein 算子,对空间的光滑结构有要求。本文的位置是:在"只给度量"的最弱假设下,建立同时覆盖简单与复合原假设的渐近理论。
子线索聚类: 1. 可识别性理论:什么条件下距离剖面能唯一决定分布?强负定型(条件 a.1)vs 加倍条件(条件 a.2)。前者是空间性质,后者是测度性质。作者指出 a.2 更弱且更易验证。 2. 经验过程理论:距离剖面经验过程 {√n(F^μ_{n,ω}(t) − F^μ_ω(t))} 的 Donsker 性。这是所有渐近结果的基础。作者依赖 Dubey et al. (2024) 和 Chen & Dubey (2025) 的定理,并补充了参数估计情形下的新证明。 3. 参数估计效应:复合原假设下,用估计量 θ̂ 替代真值 θ₀ 对经验过程的影响。作者用 Bahadur 型展开将拟合过程分解为"经验过程 + 参数估计的漂移项",这是经典 Durbin (1973) 框架在度量空间上的推广。 4. 重抽样方法:乘子自助法(multiplier bootstrap)用于临界值计算。作者提出两种实现:完全重估(26)和线性化近似(27),后者避免重复估计参数,计算效率高。
这个方向在追问的核心问题: - 如何在不依赖坐标的情况下构造分布间距离?距离剖面提供了"球上概率"这一自然的度量工具。 - 参数估计对检验统计量极限分布的影响如何刻画?本文的 Bahadur 展开给出了显式修正项。 - 如何在实际计算中避免对连续指标集 (ω,t) 的穷举?Proposition 4.4 证明可用样本中心和样本距离离散化,这是可操作性的关键。
⚠️ 作者的 framing(这是作者的说法):作者将缺口 framing 为"缺乏一个统一的、只依赖度量的 GOF 框架,能同时处理简单与复合原假设"。他们声称本文是"第一个"在一般可分度量空间上同时解决这两个问题的理论。竞争路线(核方法、投影法、Wasserstein)被描述为需要额外结构或计算昂贵。作者特别强调他们的 CM 统计量使用"fully data-driven"的积分测度,避免了调参。值得研究者去查的问题:作者在引言中未提及基于图距离(graph distance)或持久同调(persistent homology)的检验,这些方法同样只依赖度量;也未讨论距离剖面与 MMD 在特定核(如距离核 k(x,y) = d(x,y) 或负距离核)下的精确关系——MMD 的核若取为距离的负幂,可能等价于某种加权的距离剖面差异。这些"该被引却没出现"的文献可能是作者的刻意选择,也可能是真正的盲区。
张力:未见明显对立引用。但存在一个内部张力:条件 (a.1) 强负定型是空间性质,条件 (a.2) 加倍条件是测度性质。作者声称两者均可用于可识别性,但 (a.2) 需要知道 μ 本身(而 μ 正是待检验对象),这在实际操作中如何验证?作者未给出可操作的检验方法。另一个张力是:Proposition 4.4 的离散化结果要求 Ω⊂supp(μ₀),这意味着检验对支撑外的分布差异不敏感——这是否是本质缺陷?作者未讨论。
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¶
符号: - (Ω, d):可分度量空间,d 为度量。 - μ:Borel 概率测度,即 X 的分布(law)。 - X₁, …, Xₙ:iid 样本,取值于 Ω。 - Pₙ = n⁻¹∑ᵢ δ_{Xᵢ}:经验测度。 - F^μ_ω(t) := μ({x ∈ Ω : d(ω, x) ≤ t}) = P(d(ω, X) ≤ t),距离剖面(理论版)。 - F^μ_{n,ω}(t) := Pₙ({x : d(ω, x) ≤ t}) = n⁻¹∑ᵢ 1{d(ω, Xᵢ) ≤ t},经验距离剖面。 - G^μ₀_{n,μ}(ω,t) := √n(F^μ_{n,ω}(t) − F^{μ₀}ω(t)):简单原假设下的经验过程。 - G^{θ̂}{n,μ}(ω,t) := √n(F^μ_{n,ω}(t) − F^{μ_{θ̂}}ω(t)):复合原假设下用估计参数 θ̂ 代入的拟合过程。 - Y = {y{ω,t} : (ω,t) ∈ Ω × ℝ≥₀},y_{ω,t}(x) = 1{d(ω,x) ≤ t}:指标函数类。 - ℓ∞(Y):Y 上全体有界函数空间,带 sup 范数。 - θ₀:复合原假设下的真参数;θ̂:θ₀ 的估计量(如 MLE)。 - V_{θ₀}:ψ_{θ₀} 的期望 Jacobian 矩阵(见条件 c.3)。 - ψ_θ(x):估计方程/得分函数。 - Ḟ^{θ₀}_ω(t) := ∂F^{μ_θ}ω(t)/∂θ|{θ=θ₀}:距离剖面对参数的导数。 - G₀, G̃₀:极限高斯过程。 - K_μ:条件 (b.2') 中的 Lipschitz 常数。 - M = diam(Ω):Ω 的直径(可为 +∞,但条件 b.1 要求有限覆盖数,隐含 totally bounded)。
模型: - 简单原假设:H₀ : μ = μ₀,μ₀ 已知。 - 复合原假设:H₀ : μ ∈ {μ_θ : θ ∈ Θ},Θ ⊂ ℝᵖ 开集,μ_θ 为参数族。θ₀ 为真值,未知,需从样本估计。
可观测数据: - 研究者实际观测到的是:样本点 X₁, …, Xₙ ∈ Ω,以及它们之间的两两距离 d(Xᵢ, Xⱼ)(因为距离剖面只依赖距离)。不可观测的是:潜在分布 μ 本身、参数 θ₀、以及任何坐标/方向信息(除非 Ω 本身有坐标结构)。
第二步:最小内核¶
最简特例:Ω = S¹(单位圆),d 为测地距离(弧长),μ₀ 为均匀分布。原假设 H₀ : μ = μ₀(简单)。
核心问题:如何检验样本是否来自均匀分布?
距离剖面方法: 1. 对每个中心 ω ∈ S¹ 和半径 t ∈ [0, π],定义理论距离剖面 F^{μ₀}ω(t) = t/π(均匀分布在弧上的概率与弧长成正比,与 ω 无关)。 2. 经验距离剖面 F^μ{n,ω}(t) = n⁻¹∑ᵢ 1{d(ω, Xᵢ) ≤ t},即落入以 ω 为中心、半径为 t 的弧内的样本比例。 3. 检验统计量:KS 统计量 T^KSₙ = sup_{ω,t} |√n(F^μ_{n,ω}(t) − F^{μ₀}ω(t))|,或 CM 统计量 T^CMₙ = ∫ (√n(F^μ{n,ω}(t) − F^{μ₀}ω(t)))² dF^μ{n,ω}(t) dPₙ(ω)。
为什么这个例子是"最小内核": - 它剥去了所有一般性假设(参数估计、复合原假设、复杂空间),只留下核心思想:分布相等 ⇔ 所有球上概率相等(在可识别性条件下)。 - 证明路线在此例中变得透明:若 μ ≠ μ₀,则存在 ω₀ 和 t₀ 使得 F^μ_{ω₀}(t₀) ≠ F^{μ₀}_{ω₀}(t₀)。由于经验过程一致收敛到理论过程(Glivenko–Cantelli),统计量将发散到无穷。若 μ = μ₀,则经验过程弱收敛到高斯过程 G₀,统计量收敛到 sup |G₀| 或 ∫ G₀² 的分布。 - 所有技术难点(Donsker 性、Bahadur 展开、乘子自助法)在此例中都有直观对应:Donsker 性保证 sup 的极限存在;Bahadur 展开处理"用估计的 θ̂ 替代真值 θ₀"带来的额外漂移;乘子自助法用于逼近 G₀ 的分布,因为 G₀ 的协方差结构依赖于未知的 μ₀(即使简单原假设下 μ₀ 已知,协方差计算也可能很复杂)。
为什么这个例子能撑起整篇论文:论文的所有定理(定理 4.1–4.3, 5.1–5.6, 6.1–6.2)都是这个例子的推广: - 简单 → 复合:引入参数估计,需要 Bahadur 展开(定理 4.1)。 - 圆 → 一般可分度量空间:需要覆盖数条件(b.1)和 Lipschitz 条件(b.2')来控制熵,保证 Donsker 性。 - 均匀 → 指数族:需要条件 (c.1)–(c.5) 保证估计量的渐近线性。 - 固定原假设 → 局部备择:需要定理 5.3–5.6 的漂移项分析。
这个例子的"加壳"过程:读者只要理解了这个例子,就能理解论文的骨架:定义距离剖面 → 构造经验过程 → 证明 Donsker 性 → 处理参数估计 → 推导检验统计量极限 → 用自助法逼近临界值。论文的每一节都是在为这个骨架添加"壳":第 3 节是具体空间的剖面公式,第 4 节是原假设渐近,第 5 节是备择假设行为,第 6 节是自助法,第 7–8 节是数值验证。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在可分度量空间上,基于距离剖面构造拟合优度检验,同时覆盖简单原假设(μ = μ₀)和复合原假设(μ ∈ {μ_θ}),并处理参数估计效应。
- 核心工具/方法:距离剖面经验过程 + Bahadur 型展开 + 乘子自助法。检验统计量是 KS 和 CM 型泛函。
- 主要结论:建立了原假设下检验统计量的渐近分布(定理 4.1–4.3),证明了固定备择下的一致性(定理 5.1–5.2),导出了局部备择下的非中心极限分布(定理 5.3–5.6),并证明了乘子自助法的条件渐近有效性(定理 6.1–6.2)。
关键设定与假设¶
- 可识别性:条件 (a.1) 或 (a.2)。(a.1) 要求 (Ω, d^α) 为强负定型空间(对某 α>0),这是空间性质;(a.2) 要求 μ 满足加倍条件(doubling condition),即 μ(B(ω,2r)) ≤ L_μ μ(B(ω,r)) 对所有 ω,r 成立。作者指出 (a.2) 比 (a.1) 更弱,且不要求空间有特殊代数结构。统计含义:保证"距离剖面相同 ⇒ 分布相同",即检验有意义。
- 度量空间的熵条件:条件 (b.1) 要求覆盖数 N(ε, Ω, d) 满足 ε log N(ε) → 0(ε→0)。这是 Donsker 性的关键,比一般的熵条件更强(要求 log N 比 ε⁻¹ 增长慢)。统计含义:控制指标集 (ω,t) 的复杂度,使经验过程一致收敛。
- 距离剖面的正则性:条件 (b.2') 要求 F^μ_ω(t) 关于 (ω,t) 是 Lipschitz 的,且 Lipschitz 常数一致有界。统计含义:保证 KS sup 和 CM 积分的连续性,避免病态情形。
- 估计量的条件:条件 (c.1)–(c.5) 是经典的 Bahadur 展开条件——得分函数的 Lipschitz 性、期望 Jacobian 非奇异、估计量相合且渐近正态。统计含义:参数估计的误差可以一阶线性化,且不影响经验过程的 Donsker 性。
- 局部备择:条件 (d) 要求 θ ↦ F^{μ_θ}_ω(t) 在 θ₀ 处可微,且导数一致有界。统计含义:局部备择下的漂移项可以显式计算。
主要结果¶
- 定理 4.1(复合原假设下拟合过程的弱收敛):在条件 (a.1)/(a.2)、(b.1)、(b.2')、(c.1)–(c.5)、(d) 下,G^{θ̂}_{n,μ}(ω,t) 在 ℓ∞(Y) 中弱收敛到 G̃₀(ω,t) = G₀(ω,t) − Ḟ^{θ₀}ω(t)ᵀ V{θ₀}⁻¹ Z,其中 Z ~ N(0, E[ψψᵀ])。直觉:参数估计的效应是给极限高斯过程加上一个由得分函数驱动的漂移项,这与经典 Durbin (1973) 结果一致。
- 定理 4.2(简单原假设下 KS/CM 统计量的极限):T^KSₙ → sup_{ω,t} |G₀(ω,t)|,T^CMₙ → ∫ G₀(ω,t)² dF^{μ₀}_ω(t) dμ₀(ω)。直觉:连续映射定理的直接应用。
- 定理 4.3(复合原假设下 KS/CM 统计量的极限):T̃^KSₙ → sup |G̃₀|,T̃^CMₙ → ∫ G̃₀² dF^{μ₀}_ω(t) dμ₀(ω)。直觉:与定理 4.2 相同,但极限过程变为 G̃₀。
- 定理 5.1–5.2(固定备择下的一致性):若 μ ∉ H₀,则 T^KSₙ, T^CMₙ, T̃^KSₙ, T̃^CMₙ 均依概率发散到无穷。直觉:距离剖面在备择下分离,经验过程的一致收敛性保证统计量发散。
- 定理 5.3–5.6(局部备择下的极限):在局部备择 Qₙ = (1−n^{-1/2})P + n^{-1/2}G 下,统计量收敛到非中心极限分布,漂移项为 h(ω,t) = F^G_ω(t) − F^P_ω(t)(简单)或 h(ω,t) + Ḟ^{θ₀}ω(t)ᵀ V{θ₀}⁻¹ E_G[ψ](复合)。直觉:检验能检测 n^{-1/2} 尺度的偏离,且复合原假设下参数估计会吸收部分信号。
- 定理 6.1–6.2(乘子自助法的有效性):在简单和复合原假设下,乘子自助法过程条件收敛到与极限过程相同的分布。直觉:自助法临界值渐近正确。
证明路线与技术技巧¶
整体路线(以定理 4.1 为例): 1. 分解:G^{θ̂}{n,μ}(ω,t) = G^{θ₀}{n,μ}(ω,t) − √n(F^{μ_{θ̂}}ω(t) − F^{μ{θ₀}}ω(t))。 2. 处理第二项:由条件 (d) 和 Bahadur 展开 (7),√n(F^{μ{θ̂}}ω(t) − F^{μ{θ₀}}ω(t)) = Ḟ^{θ₀}ω(t)ᵀ √n(θ̂−θ₀) + o_P(1) = Ḟ^{θ₀}ω(t)ᵀ V{θ₀}⁻¹ (1/√n)∑ψ{θ₀}(Xᵢ) + o_P(1)。 3. 联合收敛:证明 (G^{θ₀}{n,μ}, (1/√n)∑ψ_{θ₀}(Xᵢ)) 在 ℓ∞(Y) × ℝᵖ 中联合弱收敛。这需要验证两个分量各自的 Donsker 性/渐近正态性,以及它们的协方差结构。 4. 连续映射:将线性变换 (G, Z) ↦ G − Ḟᵀ V⁻¹ Z 应用到联合极限,得到 G̃₀。
关键跳跃点: - Donsker 性的证明:需要验证类 Y = {y_{ω,t}} 是 μ₀-Donsker。作者使用条件 (b.1) 和 (b.2') 构造括号覆盖。具体地,对每个 ε>0,用有限个 (ω,t) 的邻域覆盖指标集,利用 Lipschitz 性质控制括号大小。这是整个证明最技术性的部分,也是条件 (b.1) 和 (b.2') 的由来。 - 联合收敛的证明:需要处理"经验过程 + 得分函数"的联合收敛。作者使用 Skorohod 构造(定理 4.2 的证明)和渐近等度连续性。关键技巧是将得分函数视为 ℓ∞(Y) 上的连续线性泛函,从而将联合收敛归结为 ℓ∞(Y) × ℝᵖ 的乘积空间上的弱收敛。 - 乘子自助法的证明:需要验证乘子过程的条件收敛。作者使用经典的中心极限定理和条件概率技巧,证明乘子过程与原始过程有相同的极限。关键条件是乘子 ζᵢ 的矩条件(均值 1,方差有限)和独立性。
技术技巧点名: - 括号覆盖(bracketing):用于控制熵积分,证明 Donsker 性。 - Skorohod 构造:将弱收敛转化为几乎处处收敛,便于处理连续映射。 - Bahadur 展开:将参数估计的误差线性化,得到漂移项的显式表达式。 - 乘子中心极限定理:用于证明自助法的条件收敛。 - U-统计量:在定理 5.1 的 CM 部分,将统计量表示为 U-统计量,利用 U-统计量的强大数律。
真实例子与应用¶
论文有四个真实数据应用,全部涉及复合原假设:
-
太阳黑子(S² × ℝ):数据是太阳黑子群的位置(经纬度)和出现时间。模型:时间服从 beta 混合,位置服从以太阳赤道为对称轴的小圆分布(SC),参数由 MLE 估计。检验结果:p 值 > 0.05,不拒绝模型。说明:验证了基于斯波勒定律的太阳黑子纬度分布模型。
-
彗星轨道(S²):数据是长周期彗星的轨道极点方向。模型:vMF 分布。检验结果:p 值 < 0.05,拒绝模型。说明:彗星轨道极点并非各向同性,存在聚集。
-
风数据(S²):数据是某地风的水平方向(单位圆 S¹ 上的角度)。模型:vMF 分布。检验结果:不拒绝。说明:风向可以用 vMF 建模。
-
成分数据(Δ²):数据是沉积物中沙、粉砂、黏土的比例。模型:逻辑正态分布(ilr 变换后为高斯)。检验结果:与 BHEP 检验结论一致(7/8 数据集一致)。说明:距离剖面检验在成分数据上表现与经典多元正态性检验相当。
每个例子的共同模式:先估计参数(MLE),再计算拟合过程 G^{θ̂}_{n,μ},用乘子自助法计算 p 值。例子想说明什么:方法在不同度量空间(球面、双曲面、单纯形)上都能运行,且结论与已有文献一致(太阳黑子、彗星、风、成分数据)。
🔎 结论是否比证明窄¶
是,结论比证明窄。具体表现: - 定理 4.1 的证明要求条件 (b.1)(覆盖数条件)和 (b.2')(Lipschitz),但作者在引言和摘要中声称方法适用于"separable metric spaces"。实际上,许多可分度量空间(如无限维 Hilbert 空间)不满足 (b.1)。作者在 Remark 2.1 中承认 (b.1) 隐含 totally bounded,但未讨论如何放松。 - 定理 5.1 的 CM 部分要求条件 (a.2)(加倍条件)或 (a.1)+(supp(μ₀)⊂supp(μ))。但作者在摘要中声称"consistency against fixed alternatives"时未提及这些额外条件。读者可能误以为一致性在更弱的条件下成立。 - 乘子自助法(定理 6.1)的证明要求估计量满足 Bahadur 展开 (7),且得分函数满足 Lipschitz 条件。但作者在应用部分(第 8 节)直接使用了 MLE,未验证这些条件是否对 vMF、SC、逻辑正态分布成立。虽然这些分布很可能满足条件,但论文未给出验证。 - 局部备择的漂移项(定理 5.3–5.6)要求条件 (d)(可微性)和 (e)(有界性)。但作者在讨论部分未说明这些条件在具体模型中的含义。
值得研究者去查的具体语句: - 定理 4.1 的陈述:"Assume conditions (c.1)–(c.5) and condition (d)"——这些条件在应用部分是否被验证? - 定理 5.1 的陈述:"if condition (a.2) holds, or if condition (a.1) holds and supp(μ₀)⊂supp(μ)"——这个 supp 条件在应用中是否成立? - 第 8 节:"The parameters were estimated by maximum likelihood"——MLE 是否满足条件 (c.1)–(c.5)?作者未给出验证。
四、开放问题¶
以下开放问题均扎根于论文的具体语句,只列出、不判断可行性:
-
放松熵条件:论文的条件 (b.1) 要求 ε log N(ε) → 0,这排除了许多常见空间(如无限维函数空间)。作者在 Remark 2.1 中承认 (b.1) 隐含 totally bounded,但未讨论如何放松。扎根语句:"It is assumed that condition (b.1) holds throughout this manuscript."(第 4 页)——能否用更弱的熵条件(如 ε log N(ε) → 0 改为 ε^α log N(ε) → 0)?能否用 bracketing 熵替代覆盖熵?
-
自适应选择积分测度:CM 统计量使用经验积分测度 dF^μ_{n,ω}(t) dPₙ(ω),这是"fully data-driven"的。但作者未讨论积分测度的选择对检验功效的影响。扎根语句:"The CM integration measure is fully data-driven"(摘要)——不同的积分测度(如均匀测度 vs 经验测度)是否会导致不同的局部备择功效?是否存在最优积分测度?
-
乘子自助法的二阶性质:论文证明了乘子自助法的一阶有效性(定理 6.1–6.2),但未讨论二阶性质(如 Edgeworth 展开、Bootstrap 的收敛速度)。扎根语句:"We develop multiplier bootstrap procedures and prove their conditional asymptotic validity"(第 6 节开头)——乘子自助法的收敛速度是否与参数估计的收敛速度匹配?是否存在更快的重抽样方法(如 m-out-of-n Bootstrap)?
-
高维行为:论文的渐近理论是固定维数 p 的(参数空间 Θ ⊂ ℝᵖ)。当 p 随 n 增长时,检验的行为如何?扎根语句:"Θ is an open subset of ℝᵖ"(第 4 页)——高维下 Bahadur 展开是否仍然成立?是否需要稀疏性假设?
-
非参数原假设:论文只处理了参数族 {μ_θ}。能否将框架扩展到非参数原假设(如 μ 属于某个光滑函数类)?扎根语句:"Assume that μ belongs to a parametric family of probability measures"(第 4 页)——非参数情形下,距离剖面的可识别性条件如何表述?检验统计量的极限分布是否仍然可用乘子自助法逼近?
-
计算复杂度:论文的数值实验使用了乘子自助法,但未讨论计算复杂度。扎根语句:"The methodology is illustrated with simulation studies"(第 7 节)——当 n 很大时,计算所有样本中心 ω = Xᵢ 的距离剖面是否可行?是否存在随机抽样中心或分块计算的策略?
-
距离剖面的充分性:论文证明了在可识别性条件下距离剖面决定分布,但未讨论"多少中心 ω 和半径 t 是必要的"。扎根语句:"Under suitable identifiability conditions, probability distributions are characterized by distance profiles"(摘要)——是否存在最小的中心集合和半径集合,使得距离剖面仍然决定分布?这与度量空间的几何(如覆盖半径)有何关系?
-
检验的局部渐近功效:论文给出了局部备择下的极限分布(定理 5.3–5.6),但未计算检验的功效函数或与最优检验的效率比较。扎根语句:"We further study the behavior of the proposed tests under fixed and local alternatives"(摘要)——在局部备择下,KS/CM 检验是否达到最优功效?是否存在局部渐近无偏性?
-
缺失数据与测量误差:论文假设 Xᵢ 完全观测。如果 Xᵢ 带有测量误差或缺失,距离剖面如何修正?扎根语句:"Let X₁, …, Xₙ be iid observations"(第 2 节)——测量误差对距离剖面的影响是否可以用偏差校正方法处理?
-
时间序列与相依数据:论文假设 iid 样本。如果 Xᵢ 是时间序列(如太阳黑子数据本身是时间序列),距离剖面经验过程的 Donsker 性是否仍然成立?扎根语句:"Let X₁, …, Xₙ be iid observations"(第 2 节)——相依数据下,乘子自助法是否仍然有效?是否需要 block bootstrap?
Maintained by 陈星宇 · Homepage · Source on GitHub