From nonstationarity to stationarity via $1/f$ noise: discrete Fourier transforms and sample mean asymptotics for testing

Technische Zusammenfassung: Von der Nichtstationarität zur Stationarität über 1/f-Rauschen

Problemstellung
Der Beitrag adressiert die fundamentale Herausforderung in der Zeitreihenanalyse, zwischen echter Nichtstationarität und stationärem Langgedächtnis zu unterscheiden. Beide Phänomene weisen langsam abklingende Stichprobenautokovarianzen und ähnliches Verhalten im niedrigen Frequenzbereich auf, was eine Unterscheidung erschwert. Während eine umfangreiche Literatur für stationäre Prozesse mit einem Gedächtnisparameter $d \in (-1/2, 1/2)$ sowie für nichtstationäre Prozesse mit $d \in [1/2, 3/2)$ existiert, stellt der Grenzfall $d = 1/2$ (bekannt als 1/f-Rauschen oder der „gerade nichtstationäre" Fall) spezifische theoretische Schwierigkeiten dar. Bestehende Tests, wie der im Zeitbereich angesiedelte V/S-Test von Giraitis et al. (2006), leiden unter aufgeblähten empirischen Größen, wenn sich $d$ $1/2$ nähert, und versagen darin, subtile Unterschiede zwischen den Regimen zu erkennen. Darüber hinaus verlassen sich vollständig parametrische Ansätze, wie diejenigen von Robinson (1994, 2003), auf spezifische Annahmen bezüglich linearer Filter und erfordern Vorwhitening-Schritte, die die Leistung beeinträchtigen können, wenn Komponenten mit kurzem Gedächtnis vorhanden sind.

Methodik
Die Autoren schlagen ein nichtparametrisches Testverfahren vor, das keine Schätzung des Gedächtnisparameters $d$ erfordert. Die Methodik basiert auf folgenden theoretischen und statistischen Komponenten:

1. Einheitlicher asymptotischer Rahmen: Der Beitrag leitet die gemeinsame Grenzverteilung der diskreten Fourier-Transformationen (DFT) einer Zeitreihe bei einer festen Anzahl von Fourier-Frequenzen für den gesamten Bereich $d \in (-1/2, 3/2)$ her. Dies deckt sowohl stationäre ($d < 1/2$) als auch nichtstationäre ($d \ge 1/2$) Regime ab, einschließlich des Grenzwerts $d=1/2$.

2. Logarithmische Korrekturen: Eine zentrale theoretische Erkenntnis besteht darin, dass am Grenzwert $d=1/2$ eine Standardnormalisierung für den Stichprobenmittelwert und die Stichprobenvarianz unzureichend ist, um nichtentartete Grenzwerte zuzulassen. Die Autoren zeigen, dass ein Normalisierungsfaktor von $\log(n)$ erforderlich ist, damit diese Statistiken gegen explizite asymptotische Verteilungen konvergieren.

3. Konstruktion der Teststatistik: Die vorgeschlagene Teststatistik $Q_n(s)$ kombiniert drei Elemente:

   • Den Stichprobenmittelwert (speziell eine Differenz von Teilsummen, $D_n$).
   • Die Stichprobenvarianz.
   • Eine endliche Anzahl von Periodogrammordinaten niedriger Frequenzen ($I_n(\lambda_j)$).

   Die Statistik ist definiert als:
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   wobei $D_n$ die Differenz zwischen dem Mittelwert der ersten $m$ Beobachtungen und dem Mittelwert der letzten $m$ Beobachtungen darstellt (mit $m \approx \sqrt{n}$).

Hauptbeiträge und Ergebnisse

• Satz 2.1 (Grenzverteilung der gemeinsamen DFT): Etabliert die asymptotische gemeinsame Normalität der Real- und Imaginärteile der DFT für Prozesse mit $d \in (-1/2, 3/2)$. Die Grenzverteilung ist gaußförmig mit einer expliziten Kovarianzstruktur $\Sigma(d)$, die variiert, je nachdem, ob $d$ im stationären, im Grenz- oder im nichtstationären Bereich liegt.
• Satz 2.2 (Stichprobenmittelwert und -varianz bei $d=1/2$): Beweist, dass für $d=1/2$ der Stichprobenmittelwert $\bar{X}_n$, normalisiert durch $\sqrt{\log(n)}$, gegen eine Normalverteilung konvergiert. Ferner wird gezeigt, dass die Stichprobenvarianz, normalisiert durch $n \log(n)$, gegen eine Konstante konvergiert, und das Verhältnis des quadrierten Mittelwerts zur Varianz gegen eine $\chi^2(1)$-Verteilung konvergiert.
• Proposition 3.1 (Grenzverteilung der Teststatistik):
  • Unter der Nullhypothese ($H_0$: Nichtstationarität mit $d \ge 1/2$ oder deterministische Trends) divergiert die Statistik $Q_n(s)$ gegen Unendlich, wenn $d > 1/2$. Wenn $d = 1/2$, konvergiert sie gegen eine endliche gewichtete Summe unabhängiger $\chi^2(1)$-Variablen. Wenn ein deterministischer Trend vorliegt, divergiert die Statistik ebenfalls.
  • Unter der Alternativhypothese ($H_1$: Stationarität mit $d < 1/2$) konvergiert die Statistik in Wahrscheinlichkeit gegen 0.
  • Dies ermöglicht die Konstruktion eines konsistenten Tests mit einem Ablehnungsbereich $R = \{Q_n(s) < q(\alpha, s)\}$, wobei $q(\alpha, s)$ das Quantil der Grenzverteilung unter $d=1/2$ ist.

Simulationsergebnisse
Der Beitrag validiert die vorgeschlagene Methode durch umfangreiche Monte-Carlo-Simulationen, die $Q_n(s)$ mit dem effizienten Nichtstationaritätstest von Robinson (1994) ($\tilde{r}$) und dessen vorwhiteneter Version vergleichen.

• Robustheit gegenüber kurzem Gedächtnis: Die vorgeschlagene Statistik $Q_n(s)$ behält eine gute Power und Größenkontrolle bei, selbst wenn der datengenerierende Prozess AR-Komponenten mit kurzem Gedächtnis enthält. Im Gegensatz dazu performt Robinsons Test $\tilde{r}$ nur für reine FARIMA-Modelle gut, verschlechtert sich jedoch erheblich bei Vorhandensein von AR-Komponenten, selbst mit Vorwhitening.
• Aggregierte Prozesse: Der Test bleibt robust für aggregierte AR(1)-Prozesse mit zufälligen Koeffizienten, die Langgedächtnis imitieren, aber nicht fraktional sind.
• Strukturbrüche: Der Test erkennt erfolgreich Nichtstationarität, die aus deterministischen Strukturbrüchen im Mittelwert resultiert, während Robinsons Test in diesen Szenarien oft versagt, die Nullhypothese der Nichtstationarität nicht abzulehnen (fälschlicherweise die Nullhypothese anzunehmen).
• Leistung am Rand: Am kritischen Rand $d=1/2$ bleibt die empirische Größe von $Q_n(s)$ nahe am nominalen Niveau (z. B. 0,05), während andere Methoden oft hohe empirische Größen aufweisen.

Bedeutung und Behauptungen
Die Autoren behaupten, dass der Hauptbeitrag dieser Arbeit die Herleitung eines einheitlichen asymptotischen Rahmens für DFTs über stationäre und nichtstationäre Regime hinweg ist, der speziell das Verhalten am Rand $d=1/2$ auflöst. Die resultierende Teststatistik bietet eine rechnerisch effiziente, parameterfreie Methode zur Unterscheidung stationären Verhaltens von fraktionaler oder deterministischer Nichtstationarität. Im Gegensatz zu früheren Ansätzen stützt sich diese Methode nicht auf parametrische Annahmen bezüglich des linearen Filters und erfordert keine Vorwhitening-Schritte, was sie robuster gegenüber Fehlspezifikationen des Modells und Dynamiken mit kurzem Gedächtnis macht. Der Beitrag positioniert dies als Lösung für die „subtile" Unterscheidung zwischen stationärem und nichtstationärem Verhalten in der Nähe der 1/f-Rausch-Grenze und bietet eine handhabbare Grenzverteilung (eine gewichtete Summe von $\chi^2$-Variablen), die sich von den stochastischen Integralgrenzen klassischer Tests im Zeitbereich unterscheidet.