Ensemble Test for a Multivariate Normal Mean under Polyhedral Cone Constraints = 다면체 원뿔 제약이 있는 다변량 정규분포의 평균에 대한 앙상블 검정

다국어 초록 (Multilingual Abstract)

We study hypothesis testing for a multivariate normal mean subject to linear inequality constraints, where the parameter space is a polyhedral cone. Classical procedures for one-sided multivariate testing—most notably the generalized likelihood ratio test (GLRT) and O’Brien’s test—are well understood when the cone is the nonnegative orthant, but their behavior can be unstable for general cones and under unknown covariance. Building on an ensemble idea, we propose four new tests—the Single Direction Test (SDT), the Ensemble Direction Test (EDT), the Hartung Direction Test (HDT), and the Maximum Direction Test (MDT)—that aggregate p-values using randomly generated directions in the cone. Across a wide range of alternatives and covariance structures, our simulations indicate that several proposed methods can improve power over existing procedures, with the gains most pronounced when the GLRT is highly conservative in the unknown-covariance setting. The SDT performs comparably to O’Brien’s test when the latter is applicable. The EDT often attains higher power than existing procedures, but this improvement can come with inflated type I error at moderate significance levels. Finally, our real-data analysis and additional simulations suggest that the EDT may be unstable when the induced base p-values are highly dispersed.

국문 초록 (Abstract)

다변량 정규모형에서 평균벡터가 선형 부등식 제약을 만족하는 경우의 가설검정을 다룬다. 이때 모수공간은 다면체 원뿔(polyhedral cone)로 주어진다. 단측 다변량 검정을 위한 고전적 방법들, 특히 일반화 우도비 검정(GLRT)과 O’Brien 검정은 다면체 원뿔이 첫 사분면(nonnegative orthant)일 때는 잘 정리되어 있으나, 일반 적인 다면체 원뿔이거나 공분산 행렬이 미지인 경우에는 성능이 불안정할 수 있다. 본 논문에서는 앙상블 기법에 기반하여, 원뿔 내부에서 무작위로 생성한 방향들 을 이용해 p-값을 결합하는 네 가지 새로운 검정—Single Direction Test(SDT), Ensemble Direction Test(EDT), Hartung Direction Test(HDT), Maximum Direction Test(MDT)—을 제안한다. 다양한 대립가설과 공분산 구조에 대한 시뮬 레이션 결과, 제안한 방법들 중 일부는 기존 방법보다 더 높은 검정력을 보였으며, 그 향상은 공분산이 미지인 상황에서 GLRT가 매우 보수적으로 동작할 때 특히 두 드러졌다. 또한 O’Brien 검정이 적용 가능한 경우 SDT는 O’Brien 검정과 유사한 성능을 보였다. 한편 EDT는 기존 절차보다 높은 검정력을 달성하는 경우가 많았 으나, 실용적인 유의수준에서 제1종 오류의 확률이 증가할 수 있다. 마지막으로 실제 자료 분석과 추가 시뮬레이션은 결합에 사용된 p-값이 크게 분산될 때 EDT 가 불안정해질 수 있음을 시사한다.

목차 (Table of Contents)

• 1 Introduction 1
• 2 Background 3
• 2.1 Polyhedral cones 3
• 2.1.1 Edge representation 4
• 2.1.2 Solid angle of a polyhedral cone 5
• 2.2 Generalized Likelihood Ratio Test (GLRT) 6
• 2.3 O’Brien’s Test 7
• 2.4 Ensemble Method 9
• 3 Proposed Methods 12
• 3.1 Single Direction Test (SDT) 12
• 3.2 Ensemble Direction Test (EDT) 13
• 3.3 Hartung Direction Test (HDT) 14
• 3.4 Maximum Direction Test (MDT) 18
• 3.5 Algorithms for Generating Random Vectors in C 20
• 4 When Σ is unknown 23
• 4.1 GLRT for unknown Σ 23
• 4.1.1 GLRT for unknown Σ and a halfline L alternative 26
• 4.2 EDT and SDT for unknown Σ 26
• 4.2.1 EDT for unknown Σ 27
• 4.2.2 SDT for unknown Σ 28
• 5 Simulation Studies 30
• 5.1 When Σ is known 31
• 5.1.1 Spherical cap: EDT vs O’Brien’s test 31
• 5.1.2 Tests comparison with random cone 33
• 5.1.3 Tests comparison in the order restrictions 36
• 5.1.4 Tests comparison in the nonnegative orthant 39
• 5.1.5 B variation in the nonnegative orthant 41
• 5.2 When Σ is unknown 42
• 5.2.1 Tests comparison with random cone 43
• 5.2.2 Tests comparison with order restrictions 45
• 5.2.3 Tests comparison in the nonnegative orthant 47
• 6 Real Data Analysis 50
• 6.1 Similarity of the GLRT and the MDT 54
• 6.2 Interpretation with covariance structure 56
• 6.3 Variability of p-values 60
• 7 Conclusion 68
• Appendix.A Additional Simulation Results 71
• Appendix.A.1 Nonnegative orthant alternatives with known Σ at α = 0.01 71
• Appendix.A.2 Nonnegative orthant alternatives with unknown Σ at α = 0.01 73
• 초록 77