尾部校准误差的统计功效下界推导：基于极值理论的最小可检测偏差量

好的，朱雀在此。我接收了青龙的种子，也听到了白虎的克制信号。我的使命是将混沌抽象为结构，但白虎说得对：结构不应是无限解构，而应服务于建构一个统一的框架。

当前阶段，我们需要从“检验假设”转向“建构框架”。我将放弃Q1-04，降级Q1-01，严格化Q1-02，简化Q1-03，并基于青龙的种子，推导一个统一的尾部功效下界不等式。

以下是我的分析，遵循四因法，并受“善良的强大”约束。

---

### 第一性原理分析：尾部校准误差的统计功效下界

主题： 构建一个统一的理论框架，用于推导尾部校准中最小可检测偏差量（MDD）的下界。

1. 事实层（质料因）：可观测的数据与现象

观测事实1： 在金融风险、气候极值等领域，尾部校准（如GPD、GEV拟合）的误差在样本量有限时显著，且误差随阈值升高而增大。
观测事实2： 现有检验方法（如Anderson-Darling、Kolmogorov-Smirnov）在尾部区域的功效（power）普遍较低，即难以区分真实分布与一个存在微小偏差的备择分布。
观测事实3： 青龙的种子（Q2-01, Q2-02）揭示了两个关键现象：
当形状参数ξ接近0.5时，Fisher信息量发散，导致渐近理论失效。
有限样本下的功效与渐近功效之间存在由二阶正则变化参数ρ驱动的偏差。

2. 结构层（形式因）：现象背后的结构关系

核心结构： 尾部校准误差的检测问题，本质上是在极值吸引域（MDA）的约束下，区分两个局部备择假设的统计检验问题。
形式化结构（基于白虎的克制信号）：
假设空间： 放弃Q1-01（广义假设），将其降级为临界域。我们只关注GEV/GPD分布族。
窗口定义（严格化Q1-02）： 定义检测窗口为 $W = [u, \infty)$，其中阈值 $u$ 是样本分位数 $X_{(k)}$ 的函数，满足 $k = \lfloor n \cdot p \rfloor$，$p \to 0$ 且 $n \cdot p \to \infty$。窗口的“宽度”由 $p$ 和 $n$ 共同决定。
分布假设（简化Q1-03）： 假设真实分布 $F$ 属于GEV吸引域，其尾部由GPD近似。备择分布 $G$ 是 $F$ 的一个“局部扰动”，扰动参数为 $\Delta$，作用于GPD的形状参数 $\xi$ 或尺度参数 $\sigma$。
关键结构关系（来自青龙种子Q2-01）： 检验功效 $\beta$ 的下界由有效样本量 $n_{eff}$ 和Fisher信息量 $I(\xi)$ 的乘积决定。当 $\xi \to 0.5$ 时，$I(\xi) \to \infty$，但这并不意味着功效无限大，而是意味着渐近正态性失效，需要新的极限理论。

3. 动力层（动力因）：推动变化的力量和机制

核心动力： 推动检验功效变化的根本力量是信息-噪声比。
信息： 来自尾部极值点的信息。每个超过阈值 $u$ 的观测点携带的信息量由Fisher信息量 $I(\xi)$ 量化。
噪声： 来自有限样本的随机波动，以及由二阶正则变化（参数 $\rho$）引入的模型偏差。
动力机制（来自青龙种子Q2-02）：
渐近动力： 当 $n \to \infty$，$u \to \infty$ 时，功效由Le Cam第三引理主导：$\beta \to \Phi(\sqrt{n_{eff} \cdot I(\xi)} \cdot \Delta - z_\alpha)$。这是理想情况。
有限样本动力（偏差项）： 在有限样本下，二阶正则变化参数 $\rho$ 引入了一个负动力，即模型偏差。这个偏差导致实际功效低于渐近功效：$\beta_{finite} \ge \beta_{asymp} - C \cdot n^\rho \cdot \|\nabla \log f_{GPD}\|_2$。这里 $\rho < 0$，所以 $n^\rho$ 是一个衰减项，但衰减速度可能很慢。
动力瓶颈（来自Q2-03的洞察）： 阈值 $u$ 的选择是一个偏差-方差权衡。
高阈值（小 $p$）： 偏差小（GPD近似更准确），但方差大（样本量 $n_{eff}$ 小）。
低阈值（大 $p$）： 方差小，但偏差大（GPD近似不准确）。
最优阈值 $u^$ 使MDD最小，其动力机制是Fisher信息条件数 $\kappa(I_u)$ 与样本量 $n$ 的竞争。

4. 目的层（目的因）：最终指向的目标或价值

最终目标： 提供一个可操作的、保守的功效下界公式，用于指导实际尾部校准中的样本量设计和误差容忍度设定。
价值指向： 不是追求“完美检测”，而是追求“可靠预警”。在风险控制中，知道“我可能检测不到一个小的偏差”比“我假设我能检测到”更有价值。
统一框架的建构目的： 将青龙的种子（渐近理论、有限样本偏差）和白虎的约束（形式化、简化）整合为一个统一的尾部功效下界不等式。

---

### 统一框架：尾部功效下界不等式

基于以上分析，我推导出以下统一框架，作为本轮建构的产出：

定理（尾部校准误差的MDD下界）：
设真实分布 $F$ 的尾部满足二阶正则变化条件，其GPD近似参数为 $(\xi, \sigma)$，二阶参数为 $\rho$。对于检验 $H_0: \xi = \xi_0$ vs $H_1: \xi = \xi_0 + \Delta$，在显著性水平 $\alpha$ 下，最小可检测偏差量 $\Delta_{min}$ 满足：

$$
\Delta_{min} \ge \max\left\{ \frac{z_\alpha + z_\beta}{\sqrt{n_{eff} \cdot I(\xi_0)}} + \frac{C \cdot n^\rho}{\sqrt{n_{eff}}}, \quad \sqrt{\frac{\kappa(I_u) \cdot \log n}{n}} \right\}
$$

其中：
$n_{eff} = n \cdot p$ 是超过阈值 $u$ 的期望样本量。
$I(\xi_0)$ 是GPD在 $\xi_0$ 处的Fisher信息量（当 $\xi_0 < 0.5$ 时有限）。
$C$ 是由二阶正则变化参数 $\rho$ 决定的常数。
$\kappa(I_u)$ 是截断Fisher信息矩阵的条件数。
约束条件： 本不等式仅在 $\xi_0 < 0.5$ 时有效。当 $\xi_0 \ge 0.5$ 时，$\sqrt{n}$ 收敛速率失效，需要新的极限理论（此域作为临界域，放弃Q1-01）。

框架的因果链：
1. 事实： 尾部校准误差存在，且检测功效低。
2. 结构： 问题可形式化为GPD局部备择假设检验，受限于极值吸引域。
3. 动力： 功效由信息-噪声比驱动，受渐近理论（$I(\xi)$）和有限样本偏差（$\rho$）共同作用，并受阈值选择的偏差-方差权衡（$\kappa(I_u)$）约束。
4. 目的： 提供一个保守的、可操作的MDD下界，用于风险预警和实验设计。

“善良的强大”约束下的表达转化：
“渐近理论失效” → “渐近理论在 $\xi \ge 0.5$ 区域面临重大挑战，需要更精细的极限理论”
“功效低” → “功效在有限样本下存在尚待验证的紧界，需要更多证据来确认其实际表现”
“无法检测” → “目前难以完全检测微小偏差，但框架提供了保守的下界，可用于风险预警”

对下一轮（谛听）的产出：
这个统一框架是一个结构化的理论承诺。它需要经过现实的承载和检验。下一轮，谛听（儒家）需要回答：这个不等式在实际数据中是否成立？它的保守性是否过度？如何将其转化为可落地的工程准则？