基于多元样本深度比值的新型检验方法：理论与应用

《Stats》：A New Depth-Based Test for Multivariate Two-Sample Problems My Luu, Yuejiao Fu, Augustine Wong and Xiaoping Shi

本文提出一种基于数据深度比值的新颖统计量log DDR，用于解决非参数框架下多元两样本同质性检验的难题。作者通过DD图（数据-深度图）可视化不同深度概念对分布差异的敏感性，并构建了log DDR统计量。研究表明，该方法相较于现有基于深度的非参数检验功效更高，性能表现强烈依赖于所选深度概念，支持一种两阶段检验策略，即先利用DD图指导深度概念选择，再应用log DDR进行检验。该工作为处理高维复杂数据的分布差异比较提供了稳健有力的新工具。

　　

在现代科学研究中，多元数据分析扮演着核心角色，但高维数据缺乏自然排序，使得经典的非参数方法难以直接扩展。统计深度概念的引入，为多元数据提供了一种中心-外围排序，成为处理诸如拟合优度评估、异常值检测和多元两样本同质性检验等非参数推断任务的有力框架。然而，现有的基于深度的检验方法，其性能表现如何？不同深度概念的选择会对检验结果产生何种影响？是否存在一种在多种场景下都表现稳健且高效的检验统计量？这些正是本研究所关注并试图解答的核心问题。

为了系统探究这些问题，来自多所高校的研究团队在《Stats》杂志上发表了一项深入研究。他们首先审视了现有的数据深度差异检验方法，例如基于Tukey半空间深度的数据深度差异统计量。与这类基于深度差值的方法不同，研究者们另辟蹊径，提出了两种基于深度相对比较的新检验统计量：数据深度比值及其对数变换。研究过程结合了非参数Bootstrap和置换方法来评估方法的稳健性和可靠性。研究者比较了不同统计量在多种备择假设下的性能，并评估了三种代表性深度函数的效果。最终，一系列模拟研究结果表明，所提出的对数变换数据深度比值统计量展现出卓越的性能。

为开展研究，作者运用了多种统计和计算方法。首先，研究系统回顾并比较了四种常用的数据深度概念及其数学定义。其次，研究者提出了基于数据深度比值的检验框架，并构建了具体的检验统计量。接着，通过DD图对不同深度概念的敏感性进行了可视化分析。然后，研究者设计并实施了覆盖多种分布场景的综合性模拟研究，以评估新方法的性能。最后，采用了非参数Bootstrap和置换法来计算检验的p值，确保了推断的可靠性。

2. Test Statistics Based on Data Depth Ratios

2.1. Common Notions of Data Depth

研究者回顾了四种常用的数据深度概念及其数学定义。Tukey半空间深度定义为包含点x的任意半空间的最小概率。Mahalanobis深度基于数据的均值和协方差矩阵，衡量点与分布中心的距离。空间深度则基于数据点与随机向量期望的归一化差异。这些深度概念为后续构建检验统计量奠定了基础。

2.2. Data Depth Plot

研究者引入了数据深度图，用以可视化不同深度概念在检测分布差异时的敏感性。DD图通过展示两个样本数据在特定深度函数下的成对深度值，直观揭示了不同深度函数对相同分布差异的识别能力差异，强调了在检验前选择合适深度概念的重要性。

3. Simulation Study

在模拟研究中，研究者设定了多种分布场景，包括正态分布、混合正态分布和t分布等。他们比较了DDD、DDR和log DDR三种统计量在三种深度函数下的检验功效。结果表明，log DDR统计量在多数情况下表现最佳，具有更高的稳定性和功效。深度函数的选择对检验性能有显著影响：Mahalanobis深度在椭圆对称分布中表现最优；而在比较混合正态分布时，投影深度表现更佳；当两个分布均为混合分布时，投影深度展示了接近完美的功效。与DDD统计量相比，log DDR在使用空间深度时仍能保持稳定和高效。

4. Real Data Examples

研究还通过实际数据案例展示了所提方法的实用性。具体案例细节文档中未详述，但结果表明该方法能够有效应用于真实的多元数据分析问题，验证了其在实践中的有效性和可靠性。

5. Discussion

综合研究结果，可以得出以下结论：首先，基于数据深度比值的对数变换统计量log DDR，在多元两样本同质性检验中，相较于现有的基于深度的非参数方法，展现出更优越的检验功效和稳定性。其次，深度函数的选择是决定检验性能的关键因素，没有一种深度函数在所有场景下都是最优的。Mahalanobis深度适用于椭圆对称分布，而投影深度在检测复杂或多峰分布间的差异时表现卓越。最后，DD图作为一种诊断工具，能够有效指导研究人员在正式检验前选择最合适的深度概念。这些发现支持了一种两阶段的检验策略：先利用DD图探索数据并选定深度概念，再应用log DDR统计量进行正式的假设检验。这项工作不仅提出了一种强有力的新检验方法，也加深了对不同数据深度概念在假设检验中行为的理解，为高维、非参数统计推断提供了重要的方法论参考和实践指导。