跳转至

Is the regression \(F\)-test doubly robust?

作者: Lucy Xia, Oliver Y. Feng, Yang Feng, Min Xu, Richard J. Samworth
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2609.39905


一、领域脉络与小综述

  • 这个方向是什么:本文研究的是经典线性回归中 \(F\) 检验在模型假设偏离时的稳健性问题。具体而言,当误差分布非高斯或设计矩阵非固定时,\(F\) 统计量在零假设下的分布会偏离其名义 \(F\) 分布,导致检验的 size(第一类错误率)偏离名义水平。该方向的核心问题是:这种偏离如何量化?在什么条件下偏离可控?本文通过建立有限样本下的 Hölder 连续性界来回答这一问题,并提出了"双重稳健性"的概念——即只要误差分布或设计矩阵分布之一接近旋转不变,检验的 size 就接近名义水平。

  • 发展脉络(history):

  • 奠基工作(1920s-1960s):Pearson (1929, 1931)、Bartlett (1935)、Geary (1947)、David and Johnson (1951) 等早期工作开始研究方差分析 \(F\) 检验在非正态误差下的表现。Box and Watson (1962) 是关键转折点,他们通过"置换近似"方法量化了设计矩阵对 \(F\) 检验稳健性的影响,并指出"通过选择不同的 \(x\) 向量,几乎相同的回归模型可以一方面产生对非正态性不敏感的均值比较检验,另一方面产生对非正态性极其敏感的方差比较检验"。
  • 单样本 \(t\) 检验与自正则化(1960s-1990s):Efron (1969)、Benjamini (1983)、Pinelis (1994) 等研究了单样本 \(t\) 统计量及其多元推广 Hotelling \(T^2\) 的稳健性。Pinelis (1994) 在误差正交对称条件下给出了有限样本最优界,表明 \(t\) 检验的尾部概率被卡方分布的常数倍控制。这一线索揭示了自正则化(self-normalization)的"平滑效应"(Logan et al., 1973; Bentkus and Götze, 1996; Shao, 1997; Giné et al., 1997; Mason, 2005)。
  • 固定设计下的回归 \(F\) 检验(1970s-1990s):Zellner (1976) 研究误差为各向同性高斯尺度混合(如中心化多元 \(t\) 分布)的情形;Kariya and Eaton (1977) 考虑球对称误差;Jensen (1979) 在球对称误差下建立了 \(F\) 检验的精确性。Huber (1973) 在最大杠杆趋于 0 的条件下证明了 OLS 估计量一维对比的渐近正态性,从而 \(F\) 检验在 \(p/n \to 0\) 时具有极限卡方分布。Ali and Sharma (1996) 给出了 size 偏离的一阶展开,指出偏离程度同时依赖于协变量和误差的分布。
  • 高维与置换方法(2000s-2020s):Boos and Brownie (1995)、Akritas and Arnold (2000)、Akritas and Papadatos (2004)、Orme and Yamagata (2006) 研究了 ANOVA 在高维情形下的表现。Calhoun (2011) 发现当 \(p - p_0 = 1\) 且 \(p/n \in \{0.1, 0.5\}\) 时,经典 \(F\) 检验在某些非高斯例子(如 Cauchy 协变量、\(t\) 分布误差)中仍有较好的 size 控制,但当 \(p - p_0\) 较大时表现恶化。Anatolyev (2012) 在 \(p/n \to\) 常数且误差四阶矩有限的条件下证明了 \(qF \xrightarrow{d} \chi^2_q\)(\(q = p - p_0\) 固定时)以及 \(\sqrt{q}(F-1) \xrightarrow{d} N(0, \lim 2(n-p_0)/(n-p))\)(\(q\) 与 \(n\) 同阶增长时)。Lei and Bickel (2021) 提出了循环置换检验,在固定设计和可交换误差下达到精确有限样本有效性。Wen et al. (2025) 证明了回归 \(t\) 检验在协变量或误差具有重尾时的失效性,并归因于重尾协变量产生的高变异性杠杆值。
  • 本文的位置:本文在上述文献基础上,提出了一个统一的有限样本分析框架。与以往关注渐近性质或特定分布假设不同,本文通过 Hölder 连续性界直接控制 \(F\) 统计量分布与名义 \(F\) 分布之间的 Kolmogorov 距离,并揭示了"双重稳健性"结构——误差或设计矩阵任一方的旋转不变性足以保证检验的近似有效性。

  • 子线索聚类:

  • 单样本 \(t\) 检验与自正则化:Efron (1969)、Benjamini (1983)、Pinelis (1994)、Logan et al. (1973)、Bentkus and Götze (1996)、Shao (1997)、Giné et al. (1997)、Mason (2005)。这条线索关注自正则化统计量在非正态下的分布逼近,是理解 \(F\) 检验稳健性的理论基础。
  • 固定设计下的 \(F\) 检验稳健性:Box and Watson (1962)、Zellner (1976)、Kariya and Eaton (1977)、Jensen (1979)、Huber (1973)、Ali and Sharma (1996)。这条线索直接研究设计矩阵对 \(F\) 检验的影响,提出了杠杆值作为关键量。
  • 高维回归与置换方法:Boos and Brownie (1995)、Akritas and Arnold (2000)、Akritas and Papadatos (2004)、Orme and Yamagata (2006)、Calhoun (2011)、Anatolyev (2012)、Lei and Bickel (2021)、Wen et al. (2025)。这条线索关注 \(p\) 与 \(n\) 可比时的行为,以及如何通过置换等非参数方法获得稳健的检验。
  • 概率度量与分布逼近:Gibbs and Su (2002)、Gaunt and Li (2023)、Dümbgen et al. (2019)。这条线索提供了 Kolmogorov 距离与 Wasserstein 距离之间的转换工具,是本文技术证明的基础。

  • 这个方向在追问的核心问题:

  • \(F\) 检验在非正态误差下的 size 偏离有多大? 这取决于误差分布与球面均匀分布的偏离程度,以及设计矩阵的杠杆结构。本文用 Wasserstein 距离量化这一偏离。
  • 设计矩阵的什么性质决定了 \(F\) 检验的稳健性? 经典答案是最大杠杆趋于 0(Huber, 1973)。本文进一步提出,设计矩阵经正交化后与均匀正交矩阵的 Wasserstein 距离是更精细的度量。
  • 误差和设计矩阵的偏离如何交互作用? 本文的核心发现是"双重稳健性":只要两者之一接近旋转不变,\(F\) 检验的 size 就接近名义水平。这一结构类似于因果推断中的双重稳健估计。
  • Hölder 指数的最优性:本文证明指数 1/3(当 \(k=1\))和 1/2(当 \(k \geq 2\))不可改进,说明 \(F\) 检验的 size 对分布偏离的敏感度存在本质限制。

  • ⚠️ 作者的 framing(必须明确标注成"这是作者的说法"):作者将本文的贡献定位为"有限样本敏感性分析",即通过 Hölder 连续性界直接控制 size 偏离,而非依赖渐近展开。作者声称这一框架"适用于广泛的生成机制,仅需温和假设"。作者将"双重稳健性"与因果推断中的双重稳健估计类比,但作者自己也承认这一类比是"相关的但不完全相同"(脚注 4)。作者淡化了以下竞争路线:(1)置换检验(Lei and Bickel, 2021)在固定设计下能达到精确有限样本有效性,但作者认为其适用性限于可交换误差;(2)bootstrap 方法在重尾误差下的表现未被讨论;(3)高维情形(\(p\) 接近 \(n\))下,本文的界虽然成立但可能不紧。值得研究者去查的问题:本文的 Hölder 指数 1/3 和 1/2 是否在更一般的检验统计量(如似然比检验、Wald 检验)中也有类似结构?"双重稳健性"是否在非线性模型(如广义线性模型)中依然成立?

  • 张力:未见明显对立引用。但值得注意的是,Box and Watson (1962) 的结论强调设计矩阵的杠杆结构是 \(F\) 检验稳健性的决定因素,而本文的"双重稳健性"表明误差分布的旋转不变性可以弥补设计矩阵的偏离。这两者并不矛盾,但侧重点不同:Box and Watson 关注固定设计下的最坏情形,本文关注随机设计下的平均行为。此外,Calhoun (2011) 的模拟显示 \(F\) 检验在 \(p - p_0\) 较大时表现恶化,而本文的界在 \(k \geq 2\) 时给出 1/2 的 Hölder 指数,似乎暗示 \(p - p_0\) 较大时稳健性更好——这一表面张力值得研究者进一步探究(可能的原因是本文的界在 \(k\) 较大时更紧,但常数项可能随 \(k\) 增长)。

二、最核心、最简单的例子 / 数学问题

第一步:把符号、模型、可观测数据交代清楚

  • 模型:考虑线性模型 \(Y = X\beta_0 + \varepsilon\),其中 \(X\) 是 \(n \times p\) 随机设计矩阵,\(\beta_0 \in \mathbb{R}^p\) 是回归系数,\(\varepsilon = (\varepsilon_1, \ldots, \varepsilon_n)\) 是误差向量。检验问题为 \(H_0: \beta_1 = 0\)(即后 \(p - p_0\) 个系数为零),其中 \(\beta_0 = (\beta_{0,0}, \beta_{0,1})\),\(\beta_{0,0} \in \mathbb{R}^{p_0}\) 对应零模型中的系数。

  • 可观测数据:研究者观测到 \((X, Y)\),其中 \(X\) 为 \(n \times p\) 矩阵,\(Y\) 为 \(n\) 维向量。关键点:\(X\) 和 \(\varepsilon\) 的联合分布是未知的,我们只假设 \(X\) 满秩(几乎处处)且 \(\varepsilon \neq 0\) 几乎处处。不可观测量:\(\beta_0\) 和 \(\varepsilon\) 本身不可观测,但 \(F\) 统计量仅依赖于 \((X, Y)\)。

  • 核心记号:

  • \(P := X(X^\top X)^{-1}X^\top\):投影到 \(\text{col}(X)\) 的正交投影矩阵。
  • \(P_0 := X_0(X_0^\top X_0)^{-1}X_0^\top\):投影到 \(\text{col}(X_0)\) 的正交投影矩阵,其中 \(X_0 = X_{[p_0]}\) 是前 \(p_0\) 列。
  • \(F\) 统计量:\(F = \frac{\|(P - P_0)Y\|_2^2/(p - p_0)}{\|(I_n - P)Y\|_2^2/(n - p)}\)。
  • \(T = (T_1, T_2, T_3) := \left(\frac{\|P_0\varepsilon\|_2^2}{\|\varepsilon\|_2^2}, \frac{\|(P - P_0)\varepsilon\|_2^2}{\|\varepsilon\|_2^2}, \frac{\|(I_n - P)\varepsilon\|_2^2}{\|\varepsilon\|_2^2}\right)\),即误差向量在三个正交子空间上的能量比例。
  • \(T^* \sim \text{Dirichlet}\left(\frac{p_0}{2}, \frac{p-p_0}{2}, \frac{n-p}{2}\right)\):名义分布下的 \(T\)。
  • \(F^* \sim F_{p-p_0, n-p}\):名义 \(F\) 分布。
  • \(W_1(\cdot, \cdot)\):1-Wasserstein 距离。
  • \(d_K(\cdot, \cdot)\):Kolmogorov 距离(即分布函数之间的 sup 范数距离)。
  • \(k := \min(p - p_0, n - p)\):两个自由度中的较小者。
  • \(\xi := \varepsilon / \|\varepsilon\|_2\):归一化误差向量,取值于单位球面 \(S^{n-1}\)。
  • \(\xi^* \sim \text{Unif}(S^{n-1})\):单位球面上的均匀分布。

第二步:讲最小内核

本文的核心数学问题可以归结为:\(F\) 统计量的分布与名义 \(F\) 分布之间的 Kolmogorov 距离,能否被 \(T\) 的分布与 Dirichlet 分布之间的 Wasserstein 距离所控制?

最小内核(以 \(p_0 = 0\)、\(p = 1\) 为例):

这是最简单的单变量回归情形。此时 \(F = (n-1) \frac{(\tilde{X}^\top \tilde{\varepsilon})^2}{1 - (\tilde{X}^\top \tilde{\varepsilon})^2}\),其中 \(\tilde{X} = X/\|X\|_2\),\(\tilde{\varepsilon} = \varepsilon/\|\varepsilon\|_2\)。令 \(U = \tilde{X}^\top \tilde{\varepsilon}\),则 \(U\) 是 \(S^{n-1}\) 上两个随机点之间的内积。

  • 名义情形:若 \(\tilde{X} \sim \text{Unif}(S^{n-1})\) 且与 \(\tilde{\varepsilon}\) 独立,则 \(U^2 \sim \text{Beta}(1/2, (n-1)/2)\),从而 \(F \sim F_{1, n-1}\)。
  • 偏离情形:若 \(\tilde{X}\) 的分布偏离均匀,则 \(U^2\) 的分布偏离 Beta。关键观察是:\(F\) 是 \(U^2\) 的严格递增函数,因此 \(d_K(F, F^*) = d_K(U^2, \text{Beta}(1/2, (n-1)/2))\)。
  • 核心不等式:由 Lemma S8,若 \(G\)(名义分布函数)是 Hölder 连续的,则 \(d_K(F, F^*) \leq C \cdot W_1(U^2, \text{Beta})^{1/2}\)。这里 \(W_1(U^2, \text{Beta})\) 可以通过 \(W_1(\tilde{X}, \tilde{X}^*)\) 来控制(其中 \(\tilde{X}^* \sim \text{Unif}(S^{n-1})\)),因为 \(U^2 = (\tilde{X}^\top \tilde{\varepsilon})^2\) 是 \(\tilde{X}\) 的 Lipschitz 函数(固定 \(\tilde{\varepsilon}\) 时)。

为什么指数是 1/3 或 1/2?

关键在于 Beta 分布函数在边界处的行为。当 \(k = \min(p-p_0, n-p) = 1\) 时,Beta 分布的密度在边界处发散(如 \(\text{Beta}(1/2, (n-1)/2)\) 在 0 处发散),因此分布函数不是 Lipschitz 的,而是 Hölder 连续的,指数为 1/2。由 Lemma S8,这导致 Kolmogorov 距离被 Wasserstein 距离的 1/3 次方控制。当 \(k \geq 2\) 时,Beta 分布的密度有界,分布函数是 Lipschitz 的,因此 Kolmogorov 距离被 Wasserstein 距离的 1/2 次方控制。

为什么 Wasserstein 距离是自然的度量?

因为 \(T\) 是 \(\xi\)(归一化误差)的二次函数,而 \(\xi\) 的分布与球面均匀分布的偏离用 Wasserstein 距离度量最为自然——它对应于最优传输成本,且对分布的小扰动是连续的。相比之下,总变差距离对离散化过于敏感(如文中所指出的,\(\xi\) 的离散化即使非常精细,总变差距离也可能为 1)。

双重稳健性的直观理解:

\(F\) 统计量同时依赖于 \(X\)(通过投影矩阵 \(P, P_0\))和 \(\varepsilon\)(通过 \(\xi\))。如果 \(\xi\) 接近球面均匀,那么无论 \(X\) 如何,\(T\) 都接近 Dirichlet 分布,\(F\) 的 size 可控;反之,如果 \(X\) 经正交化后接近均匀正交矩阵,那么无论 \(\varepsilon\) 如何,\(T\) 也接近 Dirichlet 分布。这就是"双重稳健"——两个条件满足其一即可。

三、这篇论文做了什么

三句话: 1. 研究了什么问题:线性回归中 \(F\) 检验在误差非高斯、设计矩阵非固定时的有限样本稳健性,即 \(F\) 统计量分布与名义 \(F\) 分布的 Kolmogorov 距离如何被原始分布的偏离所控制。 2. 核心工具/方法:建立了 \(T\)(误差能量分解向量)的分布与 Dirichlet 分布之间的 Wasserstein 距离到 \(F\) 统计量分布与名义 \(F\) 分布之间的 Kolmogorov 距离的 Hölder 连续性映射,并利用球面均匀分布与正交矩阵分布的 Wasserstein 距离来量化偏离。 3. 主要结论:\(F\) 检验是"双重稳健"的——只要误差向量分布或设计矩阵分布(经适当正交化后)之一接近旋转不变,检验的 size 就接近名义水平;Hölder 指数为 1/3(当 \(k=1\))或 1/2(当 \(k \geq 2\)),且这些指数在一般情形下不可改进。

关键设定与假设:

  • 设定:\(Y = X\beta_0 + \varepsilon\),\(X\) 为 \(n \times p\) 随机设计矩阵,\(\varepsilon\) 为误差向量。\(H_0: \beta_1 = 0\)。\(F\) 统计量定义为 \(F = \frac{\|(P - P_0)Y\|_2^2/(p-p_0)}{\|(I_n - P)Y\|_2^2/(n-p)}\)。
  • 假设:
  • \(X\) 满秩(几乎处处),\(\varepsilon \neq 0\)(几乎处处)。
  • \(X\) 和 \(\varepsilon\) 独立(定理 4 的主要假设)。
  • 存在常数 \(C_X, C_\varepsilon \geq 1\) 使得 \(\|E(P)\|_{\text{op}} \leq C_X p/n\) 且 \(\|E(\xi\xi^\top)\|_{\text{op}} \leq C_\varepsilon/n\)(定理 4 的技术条件,用于控制设计矩阵和误差的"有效秩")。
  • 无额外矩条件——这是本文与以往工作的关键区别:不需要误差的有限四阶矩或协变量的有界性。

  • 相比已有文献的放宽/强化:

  • 放宽:不要求误差高斯、不要求固定设计、不要求 \(p\) 远小于 \(n\)、不要求误差矩条件。
  • 强化:本文的界是有限样本的(非渐近),且显式依赖于 \(n, p, p_0\) 和偏离度量 \(W_1\)。

主要结果:

  1. 定理 2(核心 Hölder 连续性界):在 \(H_0\) 下,

    \[d_K(F, F^*) \leq C(n, p, p_0) \cdot \begin{cases} W_1(nT, nT^*)^{1/3} & \text{if } k = 1 \\ W_1(nT, nT^*)^{1/2} & \text{if } k \geq 2 \end{cases}\]
    其中 \(C(n, p, p_0)\) 有显式表达式(见 (5)),且满足 \(\frac{1}{9}\left(\frac{n-p_0}{(p-p_0)(n-p)}\right)^{1/4} < C(n, p, p_0) < 3\left(\frac{n-p_0}{(p-p_0)(n-p)}\right)^{1/4}\)。这个定理将 \(F\) 的分布偏离归结为 \(T\) 的分布偏离,而 \(T\) 是更原始的、由 \(X\) 和 \(\varepsilon\) 的联合分布决定的对象。

  2. 定理 4(可解释的 Wasserstein 界):当 \(X\) 和 \(\varepsilon\) 独立时,

    \[W_1(nT, nT^*) \leq 2^{1/2}\left(A^2 + 2p^{1/2}A\right)\]
    其中 \(A := \min\left\{(C_X p)^{1/2} W_2(\xi, \xi^*), C_\varepsilon^{1/2} W_2\left(\frac{P_0}{P-P_0}, \frac{P_0^*}{P^*-P_0^*}\right)\right\}\)。这里 \(\xi^* \sim \text{Unif}(S^{n-1})\),\(P^*\) 是均匀正交矩阵的投影。这个定理表明,\(T\) 的偏离可以被误差分布对球面均匀的偏离(第一项)或设计矩阵分布对均匀正交的偏离(第二项)中的较小者所控制——这就是"双重稳健"的数学表达。

  3. 命题 3(指数最优性):对于任意 \(\eta > 0\),存在 \(X\) 和 \(\varepsilon\)(独立、可交换)使得 \(W_1(nT, nT^*) < \eta\) 但 \(d_K(F, F^*) > c \cdot W_1(nT, nT^*)^{1/3}\)(当 \(k=1\))或 \(> c \cdot W_1(nT, nT^*)^{1/2}\)(当 \(k \geq 2\))。这说明定理 2 中的 Hölder 指数不能改进。

  4. 命题 10 和推论 11(渐近推论):在适当的矩条件和独立同分布设定下,\(W_1(nT, nT^*) \to 0\),从而 \(d_K(F, F^*) \to 0\)。这恢复了经典结果:在标准正则条件下,\(F\) 检验的 size 渐近收敛到名义水平。

证明路线与技术技巧:

  1. 第一步:将 \(F\) 统计量表示为 \(T\) 的函数。利用 \(F = \frac{T_2/(p-p_0)}{T_3/(n-p)}\),将 \(F\) 的分布函数表示为 \(T\) 的分布函数的积分变换。关键在于 \(F\) 是 \(V := T_2/(T_2+T_3)\) 的严格递增函数,而 \(V\) 在名义分布下服从 Beta 分布。

  2. 第二步:利用 Beta 分布的 Hölder 连续性。Lemma S8 给出了关键的不等式:若名义分布函数 \(G\) 是 \((\gamma, L)\)-Hölder 连续的,则任意分布 \(F\) 与 \(G\) 的 Kolmogorov 距离被 \(F\) 与 \(G\) 的 1-Wasserstein 距离的 \(\gamma/(\gamma+1)\) 次方控制。这里 \(\gamma = 1/2\)(当 \(k=1\))或 \(\gamma = 1\)(当 \(k \geq 2\)),对应 Beta 分布在边界处的奇异性。

  3. 第三步:控制 \(T\) 与 \(T^*\) 的 Wasserstein 距离。这是最技术性的部分。作者将 \(T\) 表示为 \(\xi\) 的二次型,利用投影矩阵的秩分解,将 \(W_1(T, T^*)\) 转化为对 \(\xi\) 与 \(\xi^*\) 的 Wasserstein 距离以及投影矩阵与均匀正交矩阵的 Wasserstein 距离的控制。关键技巧包括:

  4. 正交化技巧:将 \(X\) 的列空间与零模型列空间正交化,将问题约化到 \(p-p_0\) 维子空间。
  5. Wasserstein 距离的耦合表示:利用 \(W_1\) 的最优耦合定义,构造 \(\xi\) 与 \(\xi^*\) 的耦合,将问题转化为对二次型差的矩估计。
  6. Hölder 不等式与矩阵范数估计:在控制 \(E\|P - P^*\|_F^2\) 和 \(E\|\xi\xi^\top - \xi^*\xi^{*\top}\|_F^2\) 时,使用 Hölder 不等式和矩阵范数的基本性质。

  7. 第四步:下界构造。命题 3 的证明采用了几何构造:将 \(\xi\) 的分布集中在球面上某个小邻域内,同时保持 \(W_1(\xi, \xi^*)\) 很小,但使得 \(T\) 的分布显著偏离 Dirichlet 分布。这需要精细的球面几何分析。

真实例子与应用:本文为纯理论论文,没有真实数据例子或模拟实验。文中的"例子"主要是理论构造(如命题 3 的构造和附录中的 Example 1、2),用于说明 Hölder 指数的最优性。Example 1 构造了 \(p_0=0, p=1\) 的情形,其中 \(F\) 统计量退化为 \(t\) 统计量的平方,作者显式构造了误差分布使得 \(F\) 的分布偏离名义 \(F\) 分布,达到下界。Example 2 处理 \(p_0=0, p=2\) 的情形,构造更为复杂。

🔎 结论是否比证明窄: - 定理 2 的证明是严格的,但作者在定理 2 后的讨论中声称"这提供了 \(F\) 检验双重稳健性的精确刻画",这一表述比定理本身更宽泛——定理 2 只给出了 \(d_K(F, F^*)\) 的上界,并未证明"双重稳健"是 \(F\) 检验 size 可控的必要条件。 - 定理 4 的证明依赖于条件 (8),即 \(C_X, C_\varepsilon\) 的存在性。作者在脚注中承认,当 \(X\) 包含确定性列(如截距项)时,\(C_X\) 可能很大,此时界虽然成立但不紧。作者没有讨论 \(C_X\) 或 \(C_\varepsilon\) 发散时的情况。 - 命题 10 的渐近结果要求误差的独立性(不仅仅是可交换性),这与命题 3 中允许可交换性的设定不一致。作者没有明确说明这一差异。 - 作者在引言中声称"我们的框架适用于广泛的生成机制",但定理 4 的证明实际上要求 \(X\) 和 \(\varepsilon\) 的独立性。对于 \(X\) 和 \(\varepsilon\) 相关的情形,文中没有给出任何结果。

四、开放问题

  1. 必要条件问题:定理 2 和 4 给出的是 \(d_K(F, F^*)\) 的上界。是否存在一个"几乎必要"的条件——即当 \(W_1(nT, nT^*)\) 较大时,\(d_K(F, F^*)\) 也必然较大?命题 3 只证明了在某些特定构造下指数不可改进,但未给出一般性的下界。扎根于:定理 2 后的讨论("我们的上界在一般情形下不可改进")与命题 3 的证明。

  2. 相关性的处理:定理 4 要求 \(X\) 和 \(\varepsilon\) 独立。在 \(X\) 和 \(\varepsilon\) 相关(如异方差、测量误差、内生性)时,\(F\) 检验的稳健性如何?作者在引言中提到了"异方差"但未给出任何结果。扎根于:定理 4 的假设("\(X\) 和 \(\varepsilon\) 独立")与引言中对异方差的讨论。

  3. 高维情形的紧性:本文的界在 \(p\) 接近 \(n\) 时是否紧?作者在讨论中提到了 Calhoun (2011) 和 Anatolyev (2012) 的高维结果,但本文的定理 2 和 4 对 \(p/n\) 没有任何限制。当 \(p/n \to c \in (0,1)\) 时,常数 \(C(n,p,p_0)\) 的行为如何?扎根于:定理 2 中常数 \(C(n,p,p_0)\) 的表达式 (5) 以及第 3 节对高维文献的讨论。

  4. 其他检验统计量:本文的方法是否适用于其他检验统计量,如似然比检验、Wald 检验、得分检验?这些统计量在非正态下的稳健性是否也有类似的"双重稳健"结构?扎根于:第 3 节最后一段("我们的方法可能推广到其他检验统计量")。

  5. "双重稳健"的统计推断含义:本文的"双重稳健"是检验层面的性质。在估计层面(如因果推断中的双重稳健估计),"双重稳健"意味着估计量在任一模正确时一致。本文的"双重稳健"是否也能转化为某种估计量的性质?作者在脚注 4 中提到了与因果推断的联系,但没有展开。扎根于:脚注 4 的类比。


给研究者的提示:若要确认上述问题是否为真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(i) 关于 \(F\) 检验在高维线性模型中的稳健性(如 Anatolyev, 2012 之后的后续工作);(ii) 关于检验统计量对分布假设的敏感性分析(如置换检验、bootstrap 的有限样本理论);(iii) 关于 Wasserstein 距离在统计推断中的应用(如分布鲁棒优化)。如果这些文献的引言都指向"有限样本非渐近界"这一空白,那么问题 1 和 3 值得深入研究。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论