[论文解读] Sieve empirical likelihood ratio tests for nonparametric functions

Jianqing Fan, J. Zhang|TU/e Research Portal (Eindhoven University of Technology)|Mar 29, 2005

Statistical Methods and Inference被引用 3

一句话总结

本文提出了一种用于非参数函数的筛子经验似然比（SELR）检验，将广义似然比方法扩展至误差分布未指定的情形。通过使用条件估计方程和筛子近似，SELR统计量渐近服从与无关参数无关的缩放卡方分布，在更一般的模型下展现出威尔克斯现象，并实现了最优的非参数检验速率。

ABSTRACT

Generalized likelihood ratio statistics have been proposed in Fan, Zhang and Zhang [Ann. Statist. 29 (2001) 153-193] as a generally applicable method for testing nonparametric hypotheses about nonparametric functions. The likelihood ratio statistics are constructed based on the assumption that the distributions of stochastic errors are in a certain parametric family. We extend their work to the case where the error distribution is completely unspecified via newly proposed sieve empirical likelihood ratio (SELR) tests. The approach is also applied to test conditional estimating equations on the distributions of stochastic errors. It is shown that the proposed SELR statistics follow asymptotically rescaled χ^2-distributions, with the scale constants and the degrees of freedom being independent of the nuisance parameters. This demonstrates that the Wilks phenomenon observed in Fan, Zhang and Zhang [Ann. Statist. 29 (2001) 153-193] continues to hold under more relaxed models and a larger class of techniques. The asymptotic power of the proposed test is also derived, which achieves the optimal rate for nonparametric hypothesis testing. The proposed approach has two advantages over the generalized likelihood ratio method: it requires one only to specify some conditional estimating equations rather than the entire distribution of the stochastic error, and the procedure adapts automatically to the unknown error distribution including heteroscedasticity. A simulation study is conducted to evaluate our proposed procedure empirically.

研究动机与目标

• 开发一种通用的非参数检验框架，无需完全指定误差分布。
• 将广义似然比方法扩展至误差分布未知的情形，包括异方差性。
• 在误差分布未知的非参数模型下，建立威尔克斯现象——即检验统计量的渐近卡方分布。
• 在非参数假设检验中实现最优的检验功效速率。
• 提供一种稳健且自适应的方法，通过条件估计方程自动处理未知的误差结构，包括异方差性。

提出的方法

• 基于条件估计方程而非完整的参数化误差分布，提出基于筛子的经验似然比（SELR）统计量。
• 使用核平滑和筛子近似，非参数地估计非参数函数和误差结构。
• 在原假设下，利用基于筛子的似然比构建经验似然统计量。
• 应用拉格朗日乘子法求解带约束的经验似然优化问题。
• 利用经验过程理论和强收敛结果，推导SELR统计量的渐近分布。
• 证明检验统计量渐近服从缩放卡方分布，其尺度参数和自由度与无关参数无关。

实验结果

研究问题

• RQ1 广义似然比检验能否扩展至完全未指定误差分布的非参数模型？
• RQ2 当误差分布未知且存在异方差性时，威尔克斯现象——即似然比统计量的渐近卡方分布——是否仍然成立？
• RQ3 所提出的方法能否在不假设误差分布为参数形式的前提下，实现最优的非参数检验速率？
• RQ4 在模型误设情况下，SELR检验的功效和稳健性相较于广义似然比方法表现如何？
• RQ5 该方法能否自动适应未知的误差方差结构（如异方差性），而无需显式建模？

主要发现

• 所提出的筛子经验似然比（SELR）统计量渐近服从缩放卡方分布，其尺度常数和自由度与无关参数无关。
• 威尔克斯现象在更广义的模型下依然成立，包括误差分布未指定和存在异方差性的非参数回归模型。
• SELR检验的渐近功效达到了最优的非参数速率，证实了其在非参数假设检验中的效率。
• 该方法仅需指定条件估计方程，而无需完整参数化误差分布形式，从而增强了灵活性与稳健性。
• 该方法能自动适应未知的误差分布，包括异方差性，而无需事先了解或建模方差函数。
• 估计量的收敛速率为 op(n⁻¹/ξ ∧ h¹/²)dn，且在原假设下，检验统计量渐近等价于卡方分布。