[论文解读] Projection-based nonparametric goodness-of-fit testing with functional covariates

Valentin Patilea, César Sánchez-Sellero+1 more|arXiv (Cornell University)|May 24, 2012

Statistical Methods and Inference参考文献 32被引用 8

一句话总结

本文提出了一种基于投影的非参数拟合优度检验方法，用于回归模型中函数型协变量的检验，其中响应变量为实值误差项。通过将函数型协变量投影到 $L^2[0,1]$ 中的最不利方向上，该检验将无穷维问题简化为一个单变量核平滑检验，以检查条件均值是否为零，从而得到的检验统计量在原假设下渐近服从标准正态分布。

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.

研究动机与目标

• 开发一种针对函数型协变量对实值误差项影响的非参数拟合优度检验方法。
• 解决在一般非参数替代假设下，缺乏稳健且可实施的函数数据分析检验方法的问题。
• 在不假设协变量分布形式或同方差性的前提下，实现函数线性模型的检验。
• 确保在固定替代假设和局部替代假设下具有相匹配于单变量核平滑参数检验的收敛速率的一致性。
• 提供一种实用且易于实现的检验方法，其在模拟和真实数据应用中表现良好。

提出的方法

• 将无穷维假设 $\mathbb{E}(U|X) = 0$ a.s. 降低为检查 $\mathbb{E}(U|\langle X, \gamma \rangle) = 0$ 是否成立，其中 $\gamma \in L^2[0,1]$ 为适当选择的方向，且满足 $\|\gamma\| = 1$。
• 选择一个最不利方向 $\gamma$，使其在备择假设下对检验的敏感性最大化。
• 使用单变量核平滑方法估计条件期望 $\mathbb{E}(U|\langle X, \gamma \rangle)$，并利用标准的核密度和回归技术。
• 基于残差的核加权交叉积构造二次型检验统计量，该统计量在原假设下渐近服从标准正态分布。
• 在较弱的可积性和有界性条件下，建立检验统计量的渐近正态性，且无需知晓协变量分布。
• 将该检验方法应用于观测误差和函数线性模型的估计残差，以支持异方差性及未知误差方差的情形。

实验结果

研究问题

• RQ1 基于投影的非参数检验能否检测出关于原假设 $\mathbb{E}(U|X) = 0$ a.s. 的一般偏离？
• RQ2 如何利用投影技术将无穷维检验问题转化为有限维且可处理的形式？
• RQ3 在原假设下，检验统计量的渐近分布为何？该分布是否允许基于标准正态分位数的临界值？
• RQ4 在异方差误差和未知协变量分布条件下，该检验的性能如何？
• RQ5 该检验能否以与单变量核平滑检验相当的速率检测出多项式及其他非参数替代形式？

主要发现

• 在原假设下，检验统计量渐近服从标准正态分布，从而可使用标准正态分布的分位数作为临界值。
• 该检验在任意固定替代假设下以及在逼近原假设的替代序列下均具有一致性，且收敛速率与单变量核平滑参数检验相当。
• 该检验在未知异方差性下依然有效，且无需知晓函数型协变量 $X$ 的分布规律。
• 在模拟和真实数据应用中，该方法在有限样本下表现出良好性能，尤其适用于函数线性模型的检验。
• 估计方向 $\widehat{b}$ 收敛到真实最不利方向 $b$ 的速率为 $o_{\mathbb{P}}(n^{-1/2})$，确保了估计的稳定性。
• 该检验对模型误设具有鲁棒性，能够检测出如多项式偏离原假设等替代形式。