[논문 리뷰] Projection-based nonparametric goodness-of-fit testing with functional covariates

Valentin Patilea, César Sánchez-Sellero외 1명|arXiv (Cornell University)|2012. 05. 24.

Statistical Methods and Inference참고 문헌 32인용 수 8

한 줄 요약

이 논문은 회귀 모델에서 응답 변수가 실수 값 오차 항인 기능적 예측 변수에 대한 비모수적 적합도 검정을 제안한다. $L^2[0,1]$에서 최악의 방향에 기능적 예측 변수를 투영함으로써, 무한차원 문제를 조건부 기댓값이 0임을 확인하는 단변량 커널 스무딩 검정으로 줄이며, 귀무가설 하에서 점차적으로 표준 정규분포를 따르는 검정 통계량을 도출한다.

ABSTRACT

This paper studies the problem of nonparametric testing for the effect of a random functional covariate on a real-valued error term. The covariate takes values in $L^2[0,1]$, the Hilbert space of the square-integrable real-valued functions on the unit interval. The error term could be directly observed as a response or \emph{estimated} from a functional parametric model, like for instance the functional linear regression. Our test is based on the remark that checking the no-effect of the functional covariate is equivalent to checking the nullity of the conditional expectation of the error term given a sufficiently rich set of projections of the covariate. Such projections could be on elements of norm 1 from finite-dimension subspaces of $L^2[0,1]$. Next, the idea is to search a finite-dimension element of norm 1 that is, in some sense, the least favorable for the null hypothesis. Finally, it remains to perform a nonparametric check of the nullity of the conditional expectation of the error term given the scalar product between the covariate and the selected least favorable direction. For such finite-dimension search and nonparametric check we use a kernel-based approach. As a result, our test statistic is a quadratic form based on univariate kernel smoothing and the asymptotic critical values are given by the standard normal law. The test is able to detect nonparametric alternatives, including the polynomial ones. The error term could present heteroscedasticity of unknown form. We do no require the law of the covariate $X$ to be known. The test could be implemented quite easily and performs well in simulations and real data applications. We illustrate the performance of our test for checking the functional linear regression model.

연구 동기 및 목표

• 기능적 예측 변수가 실수 값 오차 항에 미치는 영향에 대한 비모수적 적합도 검정을 개발하기 위해.
• 일반적인 비모수적 대립가설 하에서 강건하고 구현 가능한 검정의 부족을 해결하기 위해.
• 예측 변수의 분포 형태나 동질분산성 가정 없이 기능적 선형 모형을 검정할 수 있도록 하기 위해.
• 단일 변수 커널 기반 모형 검정과 유사한 속도로 고정 및 국소 대립가설에 대해 일致성을 확보하기 위해.
• 실제 시뮬레이션과 실데이터 적용에서 잘 작동하는 실용적이고 쉽게 구현 가능한 검정을 제공하기 위해.

제안 방법

• 무한차원 가설 $\mathbb{E}(U|X) = 0$ a.s.을 $\|\gamma\| = 1$ 인 적절한 방향 $\gamma \in L^2[0,1]$에 대해 $\mathbb{E}(U|\langle X, \gamma \rangle) = 0$ 이라는 조건을 확인하는 것으로 줄이기.
• 대립가설 하에서 검정의 민감도를 최대화하는 최악의 방향 $\gamma$를 선택하기.
• 표준 커널 밀도 및 회귀 기법을 활용해 단변량 커널 스무딩을 통해 조건부 기댓값 $\mathbb{E}(U|\langle X, \gamma \rangle)$를 추정하기.
• 잔차의 커널 가중 교차곱 기반의 이차형식 검정 통계량을 구성하며, 이는 귀무가설 하에서 점차적으로 표준 정규분포를 따른다.
• 예측 변수의 분포를 알지 못해도 되는 미약한 적분 가능성 및 유계 조건 하에서 검정 통계량의 점근적 정규성을 확립하기.
• 이차형식 검정 통계량을 관측된 오차와 기능적 선형 모형에서 추정된 잔차에 모두 적용하여 이방성과 알려지지 않은 오차 분산을 허용하기.

실험 결과

연구 질문

• RQ1 기능적 예측 변수에 대한 비모수적 검정은 무한차원 귀무가설 $\mathbb{E}(U|X) = 0$ a.s.에서의 일반적인 이탈을 탐지할 수 있는가?
• RQ2 어떻게 투영 기법을 활용해 무한차원 검정 문제를 유한차원이고 다룰 수 있는 형태로 줄일 수 있는가?
• RQ3 귀무가설 하에서 검정 통계량의 점근적 분포는 무엇이며, 이는 표준 정규분포 분위수를 기반으로 한 임계값을 허용하는가?
• RQ4 이방성 오차와 알려지지 않은 예측 변수 분포 하에서 검정은 어떻게 작동하는가?
• RQ5 검정은 단일 변수 커널 기반 검정과 유사한 속도로 다항식 및 기타 비모수적 대립가설을 탐지할 수 있는가?

주요 결과

• 귀무가설 하에서 검정 통계량은 점차적으로 표준 정규분포를 따르며, 이는 표준 정규분포의 분위수를 이용한 임계값을 사용할 수 있음을 의미한다.
• 모든 고정 대립가설 및 귀무가설에 수렴하는 국소 대립가설에 대해 검정은 일치성을 보이며, 단일 변수 커널 기반 모형 검정과 유사한 속도로 수렴한다.
• 알 수 없는 이방성 하에서도 검정은 유효하며, 예측 변수 $X$의 분포를 알 필요가 없다.
• 시뮬레이션과 실데이터 적용에서 양호한 유한표본 성능을 보이며, 특히 기능적 선형 모형 검정에 유용하다.
• 추정된 방향 $\widehat{b}$ 가 참 최악의 방향 $b$ 로 수렴하는 속도는 $o_{\mathbb{P}}(n^{-1/2})$ 이며, 이는 추정의 안정성을 보장한다.
• 모형 오특정에 강건하며, 예를 들어 귀무가설에서 벗어나지 않는 다항식 편향과 같은 대립가설을 탐지할 수 있다.