形式陈述
一组配对前后差值是否围绕零对称?设 n ≥ 1 ,D 1 , … , D n 独立同分布 理路 独立同分布样本 IID sample · Independent and identically distributed sample 以乘积分布描述来自同一总体的独立重复观测。 、连续,原假设为
H 0 : D i = d − D i . 配对情形取 D i = Y i − X i ;检验指定中心 θ 0 时取 D i = X i − θ 0 。假设各差值独立,连续性使零差值与绝对值并列的概率为零。将 | D i | 从小到大排序 理路 顺序统计量 Order statistic 有限样本按键排序后第 k 个位置的值,保留重复出现的次数。 ,令 R i 为其秩,定义正秩和
W + = ∑ i = 1 n R i 1 { D i > 0 } . 原假设下,给定所有绝对值,正负符号是相互独立 理路 独立性 Statistical independence 从概率表理解独立性,区分两两、相互和条件独立,并用可计算反例澄清零协方差与条件均值的限度。 的公平 Bernoulli 硬币 理路 Bernoulli 随机变量 Bernoulli random variable 只取 0 与 1 且成功概率为 p 的基本随机变量。 。因此精确参考分布为
W + = d ∑ r = 1 n r B r , B r ∼ iid Bernoulli ( 1 / 2 ) . 这是对固定绝对值作符号翻转的群随机化检验 理路 置换检验 Permutation test · Group-invariant randomization test 利用零假设下数据对一组变换的分布不变性,构造有限样本精确检验。 ,其变换群为 { − 1 , 1 } n 。本页双侧极端程度取 | W + − n ( n + 1 ) / 4 | ;单侧则预先选择正秩和偏大或偏小。
直觉
只数正负号,会把很小的正差和很大的正差看成同样的一票。符号秩检验让绝对差较大的观测获得较大的秩权重,但仍不使用原始差值的数值大小。因此一个差值从 10 变为 10 6 ,只要次序不变,它的权重也不变。
对称性提供关键保证:知道某个差值离零多远之后,仍不能猜出它更可能在零的哪边。于是固定全部距离,只重新抛正负硬币,就能模拟原假设下正秩和的变化。
在固定匹配名册的因果模型中,也可由尖锐假设把绝对差变成固定量,再用Gamma敏感性界 理路 Rosenbaum 配对敏感性分析 Rosenbaum matched-pair sensitivity analysis · Gamma sensitivity bounds · 配对隐蔽偏差界 对独立匹配对的未知处理概率施加Gamma限制,证明非负固定权重单侧尾的可达最坏界,构造有效p值和精确卷积,并分清双侧与恒定效应反演的责任。 限制未知符号概率。这里的概率来自受约束的处理分配,不沿用本页IID对称差的抽样假设;并列秩可保留,但按观察符号再选择权重会破坏校准。
若正侧尾巴比负侧长,绝对值本身就可能透露符号。此时中位数即使为零,也不足以支持公平翻转校准。
例子与边界
四个差值的十六种符号
取差值 ( − 1 , 2 , − 4 , 7 ) 。绝对值秩为 1 , 2 , 3 , 4 ,所以 W + = 2 + 4 = 6 ,中心为 4 ⋅ 5 / 4 = 5 。
原假设的 2 4 = 16 种符号等可能。正秩和 0 , 1 , … , 10 对应的符号组合数为
1 , 1 , 1 , 2 , 2 , 2 , 2 , 2 , 1 , 1 , 1. 因此正向单侧 p 值为 P 0 ( W + ≥ 6 ) = 7 / 16 ,双侧值为
P 0 ( | W + − 5 | ≥ 1 ) = 14 16 = 0.875 . 虽然正差的原始总和 9 大于负差绝对值总和 5 ,符号秩检验衡量的却是另一种、事先规定的统计量。这组数据并未给出强证据。
图片加载失败 中位数为零不是对称性
令 D 以一半概率均匀 理路 均匀分布 Uniform distribution 在有限集合或有限正测度区域上按计数或体积等比例分配概率的分布。 落在 ( − 1 , 0 ) ,另一半概率均匀落在 ( 0 , 3 ) 。它的唯一中位数为零,但只要知道 | D | > 1 ,就知道符号一定为正。符号不再独立于绝对值,精确参考分布失效。
甚至 n = 2 时也能看到偏差。每个正观测贡献一分,再在另一个绝对值更小时多一分,所以
E W + = 2 P ( D > 0 ) + 2 P ( D 1 > 0 , | D 2 | < D 1 ) = 1 + 2 3 = 5 3 , 而对称原假设给出 E W + = 3 / 2 。其中第二个概率由在 0 < d < 1 和 1 < d < 3 上分别积分得到 1 / 3 。只关心连续总体中位数而不愿假设对称时,应使用基于正负计数的二项校准等适合该原假设的方法。
零差值、并列与配对结构
实际测量可能有零差值。一个明确的约定是先删除零差值,再对剩余绝对值排名;并列绝对值使用平均秩。条件于这些非零绝对值,只要各差值仍满足独立对称的原假设,所有符号翻转依旧等可能,可直接枚举加权和。若采用其他零值处理约定,必须相应改变统计量和参考分布。
所有差值都为零时,没有可供翻转的非零信息,不能硬算标准化统计量。配对之间需要独立,但同一对内 X i , Y i 可以相关;正因为保留了配对,才应先作差,Mann–Whitney 秩和检验 理路 Wilcoxon–Mann–Whitney 秩和检验 Wilcoxon rank-sum test · Mann-Whitney U test 用两组样本间的成对胜出次数或合并秩和检验共同分布,精确校准来自组标签交换,而中位数解释需要额外条件。 则以两个独立组的共同分布为零假设,重新分配组标签;拆散原有配对后使用它,会改变校准所依据的设计。
推论与应用
对称性如何给出条件公平符号
对任意正半轴 Borel 集 A ,对称性意味着
P ( D ∈ A ) = P ( D ∈ − A ) = 1 2 P ( | D | ∈ A ) . 这正说明符号与绝对值独立、符号两侧各占一半。各差值独立又让整组符号条件独立。排序只改变符号的标签,不改变这些公平 Bernoulli 变量 理路 Bernoulli 随机变量 Bernoulli random variable 只取 0 与 1 且成功概率为 p 的基本随机变量。 的联合分布。
所以在无并列时,以概率为系数的有限普通生成函数 理路 普通生成函数 Ordinary generating function 把序列编码为形式幂级数 Σ a_n x^n。 为
E 0 z W + = 2 − n ∏ r = 1 n ( 1 + z r ) . 展开后 z w 的系数就是 P 0 ( W + = w ) 。例如 n = 4 的十一项系数给出上面的精确表。也可逐个加入秩,用“当前不取或取该秩”递推计算系数,而无须列出所有符号字符串。
均值、方差与大样本近似
由期望的线性性 理路 期望 Expectation · Expected value 实值或复值随机变量关于概率测度的 Lebesgue 积分,概括加权平均与总体质量平衡。 及独立加权硬币的方差可得
E 0 W + = 1 2 ∑ r = 1 n r = n ( n + 1 ) 4 , Var 0 ( W + ) = 1 4 ∑ r = 1 n r 2 = n ( n + 1 ) ( 2 n + 1 ) 24 . 若使用平均秩 r 1 , … , r k ,应直接用条件均值 1 2 ∑ r i 和条件方差 理路 方差 Variance 随机变量相对其均值的平方偏差期望,也是最佳常数平方预测的剩余误差。 1 4 ∑ r i 2 ,而非把无并列表中的 n 换个数就结束。
无并列且 n → ∞ 时,令 s n 2 = 1 4 ∑ r = 1 n r 2 。加权项相互独立,却不同分布;可直接用特征函数 理路 特征函数(概率) Characteristic function of a distribution 随机变量的复指数矩,也就是概率分布的 Fourier 变换。 证明正态极限。中心化标准和的特征函数为
φ n ( t ) = ∏ r = 1 n cos ( t r 2 s n ) . 对固定 t ,最大余弦自变量为 O ( n − 1 / 2 ) 。当 n 足够大,各因子为正,在原点的固定小邻域内应用Taylor 定理 理路 泰勒定理 Taylor's theorem 足够光滑函数由有限阶导数多项式加余项表示。 ,由四阶导数有界得统一余项 log cos u = − u 2 / 2 + O ( u 4 ) ,以及 ∑ r 2 / ( 4 s n 2 ) = 1 、∑ r 4 / s n 4 = O ( n − 1 ) ,便得 log φ n ( t ) = − t 2 / 2 + O ( n − 1 ) 。由 Lévy 连续性定理,极限特征函数对应标准正态分布 理路 正态分布 Normal distribution · Gaussian distribution · 高斯分布 具有指数平方密度、在仿射变换与独立求和下封闭的概率分布族。 :
W + − n ( n + 1 ) / 4 n ( n + 1 ) ( 2 n + 1 ) / 24 ⇒ N ( 0 , 1 ) . 正态近似是大样本结果;小样本的离散性应通过精确翻转分布处理。报告时还应说明零值规则、并列规则、单侧方向及是否使用连续性修正。
参考资料