[论文解读] 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 6

一句话总结

本论文基于Puri-Rubin特征刻画，提出了一类新的、尺度无关的一致性拟合优度检验方法，用于指数分布。该方法采用顺序统计量的V-经验Laplace变换之间的加权L²距离。所提出的检验在Bahadur效率和经验功效方面优于经典及近期的同类检验，尤其当通过自助法实现数据自适应选择调优参数时表现更优。

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.

研究动机与目标

• 开发针对指数分布的一致性、尺度无关的拟合优度检验，且对参数尺度具有鲁棒性。
• 通过在V-经验Laplace变换之间采用加权L²距离，改进现有基于特征刻画的检验方法。
• 评估检验在多种替代分布（如轻尾、重尾及对称分布）下的Bahadur效率与经验功效。
• 提出并验证一种数据驱动方法，用于选择最优调优参数，以在小样本中最大化检验功效。
• 在实际数据集中验证所提检验在指数性存疑时的实际应用价值。

提出的方法

• 基于加权L²距离构造一组检验统计量 $M_{n,a}(\hat{\lambda})$，比较两组V-经验Laplace变换：一组来自缩放后的i.i.d.样本 $Y_i = \hat{\lambda}X_i$，另一组来自绝对差值 $|Y_{i_1} - Y_{i_2}|$。
• 采用Puri-Rubin特征刻画：$X \stackrel{d}{=} |X_1 - X_2|$ 当且仅当 $X \sim \text{Exp}(\lambda)$，作为检验的理论基础。
• 在权函数 $e^{-at}$ 中引入调优参数 $a > 0$，以控制对变换域不同部分的敏感度。
• 通过退化V-统计量与核投影方法，推导出在原假设下检验统计量的渐近分布，表示为加权$\chi^2_1$变量的和。
• 采用基于自助法的算法，通过在$a$值网格上最大化经验功效，选择最优$a$，并使用蒙特卡洛临界值。
• 利用所得的数据驱动$\hat{a}$计算最终检验统计量与p值，用于真实数据应用。

实验结果

研究问题

• RQ1 所提出的基于V-经验Laplace变换之间加权L²距离的检验，在Bahadur效率方面与似然比检验及其他近期基于特征刻画的检验相比如何？
• RQ2 所提检验在涵盖多种替代分布（如伽马分布、威布尔分布、均匀分布、逻辑斯谛分布）的集合中，其经验功效如何？
• RQ3 所提出的基于数据驱动的调优参数$a$选择算法在小样本中是否有效？其对经验功效的影响如何？
• RQ4 所提检验能否在已知非指数行为的真实世界数据集中可靠检测出指数性的偏离？
• RQ5 检验结果对调优参数$a$的选择是否敏感？数据驱动选择是否能缓解这种敏感性？

主要发现

• 所提检验实现了较高的Bahadur效率，在局部相对效率计算中优于似然比检验及大多数近期基于特征刻画的检验。
• 在功效研究中，所提检验（尤其是$M_{n,1}$、$M_{n,2}$、$M_{n,5}$）在多数替代分布下持续优于经典检验（如Kolmogorov-Smirnov、Cramer-von Mises、Anderson-Darling），在$n=50$时对许多替代分布的拒绝率超过90%。
• 对于英国预定航班数据，$\hat{a} = 1$的检验得到p值为0.49，未能拒绝指数性原假设，与数据已知行为一致。
• 对于Caterpillar拖拉机故障时间数据，$\hat{a} = 0.5$的检验得到p值<0.0001，正确拒绝了指数性原假设。
• 数据驱动选择算法成功识别出最优$a$值：在$n=50$时，对于伽马(2)替代分布，$a=1$在68%的自助重抽样中为最优；对于威布尔(1.4)替代分布，$a=5$在44%中为最优。
• 基于自助法的效能估计显示，数据驱动检验在$a$值网格上的最大可达效能附近实现了接近最优的效能，证实了选择程序的有效性。