[论文解读] Testing nonparametric shape restrictions

Tatiana Komarova, Javier Hidalgo|arXiv (Cornell University)|Sep 4, 2019

Statistical Methods and Inference参考文献 64被引用 4

一句话总结

该论文提出了一种针对广义形状约束（如单调性、凸性、U型、对数凸性等）的非参数检验方法，采用部分和经验过程。经过变换后，该检验的渐近分布为标准布朗运动的泛函，从而可获得临界值；同时提供了有效的自助法算法，以改善小样本性能。

ABSTRACT

We describe and examine a test for a general class of shape constraints, such as constraints on the signs of derivatives, U-(S-)shape, symmetry, quasi-convexity, log-convexity, $r$-convexity, among others, in a nonparametric framework using partial sums empirical processes. We show that, after a suitable transformation, its asymptotic distribution is a functional of the standard Brownian motion, so that critical values are available. However, due to the possible poor approximation of the asymptotic critical values to the finite sample ones, we also describe a valid bootstrap algorithm.

研究动机与目标

• 开发一种适用于非参数回归模型中形状约束的一般性检验方法，且无需对备择模型假设参数形式。
• 解决在非参数回归中检验单调性、凸性或S型关系等定性特征的挑战。
• 提供一种渐近分布在原假设下为分布自由的检验，借助Khmaladze变换实现。
• 通过引入有效的自助程序，改善小样本性能，以应对渐近临界值可能存在的不准确性。
• 确保该检验无需带宽选择即可实现，利用B样条逼近与经验过程理论。

提出的方法

• 使用部分和经验过程构造对形状约束偏离敏感的检验统计量。
• 采用次数为 $ q $、包含 $ L $ 个节点的B样条逼近回归函数，将形状约束转化为对样条系数 $ \beta_\ell $ 的约束。
• 应用Khmaladze的鞅变换，将经验过程在原假设下转化为标准布朗运动的泛函。
• 通过一个非随机集合 $ S_{q,L} \subseteq \mathbb{R}^L $ 强制施加形状约束，确保当 $ L \to \infty $ 时的一致性。
• 从变换后过程的分布中推导出渐近临界值，从而实现大小控制。
• 提出一种自助算法，以校正渐近临界值在小样本中的偏差，确保有效推断。

实验结果

研究问题

• RQ1 能否在不假设参数模型的前提下，为非参数形状约束（如单调性、凸性、U型）开发一种通用检验方法？
• RQ2 如何推导检验统计量的渐近分布，并使其在原假设下为分布自由？
• RQ3 渐近临界值的小样本近似误差有何影响，以及如何校正？
• RQ4 能否为这一类非参数形状检验构造一种有效且计算可行的自助程序？
• RQ5 随着节点密度增加，B样条逼近如何确保形状约束的捕捉一致性？

主要发现

• 经过变换后，检验统计量的渐近分布收敛于标准布朗运动的泛函，从而可获得解析临界值。
• 真实形状类 $ \mathcal{M}_0 $ 与B样条逼近类 $ \mathcal{M}_{S_{q,L}} $ 之间的Hausdorff距离在 $ L \to \infty $ 时收敛于零，确保了一致性。
• 渐近分布不依赖于异质参数，在正则条件下使检验在原假设下为分布自由。
• 小样本中渐近分布对临界值的近似效果较差，因此需要自助校正。
• 所提出的自助算法有效，并显著提升了小样本到中等样本的大小控制精度。
• 该方法避免了带宽选择，为基于核平滑的现有非参数检验提供了一种稳健的替代方案。