[论文解读] Skewness and kurtosis as locally best invariant tests of normality

Akimichi Takemura, Muneya Matsui+1 more|ArXiv.org|Aug 20, 2006

Probability and Risk Models参考文献 18被引用 3

一句话总结

本文在较弱的正则性条件下证明了样本偏度与峰度是正态性检验的局部最优不变（LBI）检验，证实了偏度对非对称替代假设最优，峰度对对称替代假设最优。该结果被推广至正态混合分布、无限可分分布以及非正则情形（如稳定分布族），为基于矩的正态性检验提供了统一的理论基础。

ABSTRACT

Consider testing normality against a one-parameter family of univariate distributions containing the normal distribution as the boundary, e.g., the family of $t$-distributions or an infinitely divisible family with finite variance. We prove that under mild regularity conditions, the sample skewness is the locally best invariant (LBI) test of normality against a wide class of asymmetric families and the kurtosis is the LBI test against symmetric families. We also discuss non-regular cases such as testing normality against the stable family and some related results in the multivariate cases.

研究动机与目标

• 正式证明 E.S.皮尔森1935年的猜想：基于矩的检验（偏度与峰度）在检测对正态性的微小偏离时是最优的。
• 在包含正态分布在边界的一参数分布族中，于一般正则性条件下建立样本偏度与峰度的局部最优不变（LBI）性质。
• 将LBI框架扩展至非正则情形，如针对稳定分布族的检验，以及具有不同不变性群的多元情形。
• 通过构建一致的理论框架，统一并澄清现有关于不变检验的结果，特别是Ferguson（1961）与Hájek & Šidák的研究。

提出的方法

• 基于Wijsman（1967, 1990）与Hájek & Šidák（1967）的结果，推导位置尺度变换下最大不变量的似然比。
• 将LBI框架应用于位置尺度密度族中θ=0对应标准正态分布的一参数族。
• 利用Laplace近似分析大样本量n下LBI检验统计量的渐近行为。
• 证明LBI检验统计量可简化为样本矩的线性组合，其中偏度与峰度分别作为非对称与对称替代假设下的最优检验统计量出现。
• 分析非正则情形（如稳定族），其中正则性条件不成立，表明通过函数自由度可构造替代族。
• 将结果推广至多元正态性检验，区分一般线性群与三角群下的不变性，并讨论对单边替代假设的影响。

实验结果

研究问题

• RQ1 在包含正态分布在边界的一参数分布族中，样本偏度是否为检测非对称偏离正态性的局部最优不变检验？
• RQ2 在包含重尾分布的一参数对称族中，样本峰度是否为检测对称重尾偏离正态性的局部最优不变检验？
• RQ3 对于包含正态混合与无限可分分布的分布族，偏度与峰度的LBI性质是否可在一般正则性条件下正式确立？
• RQ4 当标准正则性条件不成立时（如稳定分布族），LBI结果如何扩展至非正则族？
• RQ5 在多元正态性检验中，不同不变性群（如一般线性群与三角群）的选择会产生何种影响？

主要发现

• 样本偏度是针对广泛类别的非对称一参数分布族中检测正态性偏离的局部最优不变检验。
• 样本峰度是针对对称一参数族（包括重尾分布）中检测正态性偏离的局部最优不变检验。
• LBI性质在正态混合模型与有限方差的无限可分分布中成立，证实了这些情形下基于矩检验的最优性。
• 对于稳定族，尽管正则性条件不成立，但因构造替代族时存在函数自由度，LBI框架仍适用。
• 在多元情形下，不变性群的选择（一般线性群 vs. 三角群）导致不同的LBI检验，其中三角群能保持单边替代假设的结构。
• 对于大样本n，LBI检验统计量可通过Laplace方法近似，表明最优检验渐近等价于样本矩的线性组合。