고차원 회귀계수 적응형 검정 절차

초록

본 논문은 고차원 선형 회귀에서 회귀계수 블록의 영가설을 검정하기 위해, 좌표별 증거를 정렬하고 상위 k 개의 통계량을 합산하는 L‑통계량 패밀리를 제안한다. 고정 k와 점차 증가하는 k 에 대한 극한 이론을 구축하고, 극값 성분과 정규화된 L‑통계량이 점근적으로 독립함을 증명한다. 이를 바탕으로 dyadic k 그리드와 Cauchy 결합을 이용한 적응형 옴니버스 검정을 설계하고, 와일드 부트스트랩으로 실무에서의 크기 조정을 제공한다. 시뮬레이션은 다양한 희소·밀집 대안과 비정규 설계에서도 정확한 크기와 높은 검정력을 확인한다.

상세 분석

이 연구는 고차원 회귀 모델에서 변수 수 p 가 표본 수 n 보다 훨씬 큰 상황에서, 관심 있는 계수 블록 β_b 가 모두 0인지 여부를 검정하는 문제를 다룬다. 기존 방법은 극단값(max‑type) 검정이 희소 신호에, 합계(ℓ₂‑type) 검정이 밀집 신호에 각각 최적이라는 점을 인식하고, 두 극단을 연결하는 연속적인 L‑통계량 L_k (상위 k 개의 정규화된 점수 W_j 합) 를 정의한다. k=1이면 max‑type, k=m이면 ℓ₂‑type이 되며, 중간값은 희소와 밀집 사이를 매개한다.

주요 이론적 기여는 두 부분으로 나뉜다. 첫째, 고정 k에 대해 극값 순서통계량의 포아송 점과 극값 중심화 상수 b_m=2log m−log log m 에 대한 수렴을 보이며, 이를 통해 L_k 의 극한 분포를 도출한다. 둘째, k가 m 에 비례해 증가(γ m)할 때는 중앙극한정리를 적용해 정규 근사를 얻고, 평균·분산을 복잡한 함수(극값에 의한 임계값 의존) 로 표현한다. 특히 Theorem 3에서 극값 성분(W_(1), W_(10) 등)과 정규화된 L_{⌈γm⌉} 가 점근적으로 독립임을 증명함으로써, 서로 다른 k 값들의 p‑값을 결합해도 유형 I 오류가 보존된다는 강력한 근거를 제공한다.

실제 검정 구현은 와일드 부트스트랩(레머시안 가중치)으로 모든 L_k 와 극값 통계량의 영분포를 추정한다. 부트스트랩 복제 B 를 충분히 크게 잡으면 Monte‑Carlo p‑값이 정확히 계산된다. 적응형 절차는 k 를 dyadic 그리드 k_i=⌊2^{-i} m⌋ (i=1,…,K) 로 선택하고, 각 k_i에 대한 p‑값과 두 개의 극값 p‑값을 Cauchy 결합 통계 T_C =∑tan