[論文レビュー] New $L^2$-type exponentiality tests

Marija Cuparić, Bojana Milošević+1 more|arXiv (Cornell University)|Sep 20, 2018

Statistical Distribution Estimation and Applications被引用数 6

ひとこと要約

本稿は、Puri-Rubinの特徴付けに基づき、順序統計量のV経験的ラプラス変換間の重み付きL²距離を用いて、指数分布に対する一貫性がありスケールに依存しない適合度検定を提案する。提案手法は、ブートストラップを用いたデータ駆動型のチューニングパラメータ選択がなされた場合、古典的および最近の類似手法と比較して優れたバハドゥル効率と実効力を持つ。

ABSTRACT

We introduce new consistent and scale-free goodness-of-fit tests for the exponential distribution based on Puri-Rubin characterization. For the construction of test statistics we employ weighted $L^2$ distance between $V$-empirical Laplace transforms of random variables that appear in the characterization. The resulting test statistics are degenerate V-statistics with estimated parameters. We compare our tests, in terms of the Bahadur efficiency, to the likelihood ratio test, as well as some recent characterization based goodness-of-fit tests for the exponential distribution. We also compare the powers of our tests to the powers of some recent and classical exponentiality tests. In both criteria, our tests are shown to be strong and outperform most of their competitors.

研究の動機と目的

• 指数分布に対する一貫性があり、尺度に依存しない適合度検定を開発すること。
• V経験的ラプラス変換間の重み付きL²距離を用いることで、既存の特徴付けに基づく検定を改善すること。
• 軽尾、重尾、対称分布を含む多様な代替仮説に対する検定のバハドゥル効率と実効力を評価すること。
• 小標本における検出力を最大化するために、最適なチューニングパラメータをデータ駆動的に選択する手法を提案・検証すること。
• 実世界のデータセットにおいて指数性が疑われる状況で、本検定の実用的有用性を示すこと。

提案手法

• スケーリングされた i.i.d. 標本 $Y_i = \hat{\lambda}X_i$ と絶対差 $|Y_{i_1} - Y_{i_2}|$ の両方のV経験的ラプラス変換間の重み付き $L^2$-距離に基づく、テスト統計量 $M_{n,a}(\hat{\lambda})$ の族を提案する。
• Puri-Rubinの特徴付け（$X \stackrel{d}{=} |X_1 - X_2|$ ならばかつその場合に限り $X \sim \text{Exp}(\lambda)$）を理論的根拠として用いる。
• 重み関数 $e^{-at}$ におけるチューニングパラメータ $a > 0$ を用いて、変換領域の異なる部分への感度を制御する。
• 退化したV統計量とカーネル射影を用いて、帰無仮説下でのテスト統計量の漸近的分布を、$\chi^2_1$ 変数の重み付き和として導出する。
• モンテカルロの臨界値を用い、グリッド上の値の範囲で実効力を最大化するように、ブートストラップベースのアルゴリズムにより最適な $a$ を選択する。
• 得られたデータ駆動型の $\hat{a}$ を用いて、実データ応用のための最終的なテスト統計量とp値を計算する。

実験結果

リサーチクエスチョン

• RQ1 提案された、V経験的ラプラス変換間の重み付きL²距離に基づく検定は、尤度比検定および他の最近の特徴付けに基づく検定と比較して、バハドゥル効率においてどのように異なるか？
• RQ2 提案された検定は、ガンマ分布、ワイブル分布、一様分布、ラプラス分布など多様な代替分布に対して、実効力はどの程度か？
• RQ3 提案されたデータ駆動型アルゴリズムは、小標本においてチューニングパラメータ $a$ を効果的に選択できるか？また、その影響は実効力に及ぶか？
• RQ4 本検定は、既知の非指数的挙動を示す実世界のデータセットにおいて、指数性の逸脱を信頼性高く検出できるか？
• RQ5 検定結果はチューニングパラメータ $a$ の選択にどれほど敏感か？また、データ駆動型選択はその感度を緩和するか？

主な発見

• 提案された検定は高いバハドゥル効率を達成しており、局所的相対効率の計算において、尤度比検定および最近の特徴付けに基づく多数の検定を上回っている。
• パワーの検証において、特に $M_{n,1}$、$M_{n,2}$、$M_{n,5}$ は、コルモゴロフ・スミルノフ、クラメール＝ボンフェローニ、アンドリュースの検定と比較して一貫して優れた性能を示し、$n=50$ 時に多くの代替仮説に対して90％を超える実効的棄却率を示した。
• イギリスのスケジュールデータでは、$\hat{a} = 1$ の検定でp値が0.49となり、指数性を棄却しなかった。これはデータの既知の挙動と整合的であった。
• キャタピラーのトラクター故障時間のデータでは、$\hat{a} = 0.5$ の検定でp値が0.0001未満となり、指数性の帰無仮説が正しく棄却された。
• データ駆動型選択アルゴリズムは、最適な $a$ 値を的確に特定した。$n=50$ 時、ガンマ(2)代替仮説では68％のブートストラップ再試行で $a=1$ が最適であり、ワイブル(1.4)代替仮説では44％で $a=5$ が最適であった。
• ブートストラップベースのパワー推定により、データ駆動型検定が $a$ 値のグリッド上での最大達成パワーに近く、選択手順の有効性が確認された。