Nonparametric method of structural break detection in stochastic time series regression model

Resumen Técnico: Método No Paramétrico de Detección de Rupturas Estructurales en Modelos de Regresión de Series Temporales Estocásticas

Planteamiento del Problema
El artículo aborda el desafío de detectar rupturas estructurales en modelos de regresión de series temporales estocásticas, centrándose específicamente en los cambios en las funciones de la media condicional y/o de la varianza condicional. La literatura existente suele depender de supuestos paramétricos sobre el proceso generador de datos (por ejemplo, regresión lineal con estructuras de error específicas como ARMA o GARCH) o asume condiciones de independencia/mezcla que pueden no cumplirse en escenarios del mundo real complejos. Además, muchos enfoques no paramétricos se centran en cambios en las distribuciones marginales o características espectrales, en lugar de en los propios funcionales de regresión condicional. Los autores buscan desarrollar un marco flexible que no imponga formas paramétricas específicas a la estructura de dependencia del regresor, el modelo de la serie temporal o la distribución del ruido, al tiempo que da cabida tanto a la dependencia de rango corto como de rango largo en el proceso de la covariable.

Metodología
La metodología propuesta se basa en un modelo de regresión estocástica:
$$Y_t = \mu(X_t) + \sigma(X_t)\epsilon_t$$
donde $\{Y_t\}$ es la respuesta, $\{X_t\}$ es la covariable, $\mu(\cdot)$ es la media condicional, $\sigma^2(\cdot)$ es la varianza condicional, y $\{\epsilon_t\}$ es un proceso de ruido i.i.d. con varianza unitaria.

1. Marco de Estimación:
   Los autores utilizan estimadores de tipo kernel de Nadaraya-Watson para estimar la diferencia entre las funciones condicionales en dos segmentos disjuntos de la serie temporal ($T^-$ y $T^+$). Para manejar el sesgo inherente a la estimación por kernel, emplean una corrección de tipo jackknife utilizando una función kernel modificada $K^*(u) = 2K(u) - K(u/\sqrt{2})/\sqrt{2}$. Esto permite la construcción de estimaciones corregidas de sesgo tanto para la diferencia de medias ($\hat{\mu}^*_{diff}$) como para la diferencia de varianzas ($\hat{\sigma}^{*2}_{diff}$).

2. Manejo de la Dependencia:
   Un componente teórico clave es el tratamiento de la dependencia temporal en la covariable $\{X_t\}$. Los autores asumen que $\{X_t\}$ admite una representación causal impulsada por innovaciones i.i.d. Utilizan operadores de proyección de martingala para cuantificar la dependencia, distinguiendo entre procesos de dependencia de rango corto (SRD) y de rango largo (LRD) mediante una cantidad $\Xi_n$. Los resultados teóricos se mantienen para ambos casos, siempre que se cumplan ciertas condiciones de ancho de banda (bandwidth).

3. Pruebas de Hipótesis:
   El núcleo del método consiste en probar la hipótesis nula de que la función condicional (media o varianza) permanece constante a través del horizonte temporal frente a la alternativa de que existe una ruptura estructural.

• Estadísticos de Prueba: Los estadísticos de prueba se basan en el supremo de la diferencia absoluta entre las funciones estimadas sobre una rejilla densa de puntos en el espacio de la covariable: $\sup_{x \in \Pi_n} |\hat{\mu}^*_{diff}(x)|$ para la media y $\sup_{x \in \Pi_n} |\hat{\sigma}^{*2}_{diff}(x)|$ para la varianza.
• Distribución Asintótica: Bajo la hipótesis nula, los autores derivan la distribución asintótica de estos estadísticos de supremo. Demuestran que, tras una normalización apropiada, los estadísticos convergen a una distribución Gumbel. Esto permite la construcción de valores críticos para las pruebas de hipótesis sin requerir supuestos paramétricos sobre la distribución del ruido.
• Pruebas Simultáneas: Para detectar rupturas tanto en la media como en la varianza simultáneamente, los autores proponen un procedimiento utilizando el máximo de los estadísticos de prueba individuales combinado con una corrección de Holm-Bonferroni.

4. Algoritmo de Localización:
   Aunque la teoría principal asume un escenario de "máximo un cambio" (AMOC), el artículo extiende el método a múltiples puntos de cambio mediante un algoritmo de segmentación binaria. Esto implica aplicar recursivamente la prueba AMOC a los subsegmentos. Para refinar la localización y controlar los falsos positivos, un paso de validación post-detección vuelve a probar los puntos de ruptura detectados utilizando sub-datos locales para confirmar la significancia. La consistencia de las ubicaciones de las rupturas estimadas se establece teóricamente.

Contribuciones Clave y Resultados

• Garantías Teóricas: El artículo proporciona una teoría asintótica rigurosa que muestra que los estimadores propuestos son consistentes y que los estadísticos de prueba convergen a una distribución conocida (Gumbel) bajo la hipótesis nula. También se demuestra la consistencia de las ubicaciones estimadas de los puntos de cambio.
• Flexibilidad: El método no requiere que el usuario especifique la forma funcional de $\mu(\cdot)$ o $\sigma^2(\cdot)$, ni asume una distribución específica para el ruido $\epsilon_t$, aparte de las condiciones de momentos (momentos finitos de segundo orden para la prueba de media, momentos finitos de cuarto orden para la varianza). Puede acomodar distribuciones de cola pesada para las series observadas $Y_t$ incluso si el ruido estandarizado tiene colas más ligeras, ya que la función de varianza condicional absorbe el comportamiento de la cola.
• Desempeño en Simulaciones: Simulaciones extensas a través de varios procesos generadores de datos (incluyendo White Noise, ARMA-GARCH y modelos de umbral AR) y distribuciones de ruido (Normal, Student's t y Power Law) demuestran que la prueba mantiene un buen control de tamaño (tasas de error de Tipo I cercanas a los niveles nominales). El poder de la prueba aumenta con el tamaño de la muestra y es notablemente eficaz para detectar rupturas en la varianza condicional, superando a menudo la detección de ruptas en la media en modelos complejos. El método muestra robustez ante innovaciones de cola pesada.
• Aplicación en el Mundo Real: El método se aplica a datos de precios de Bitcoin y a los Google News Interest Scores (GNIS). El análisis identifica dos rupturas estructurales en la relación de la media condicional entre la atención pública y los precios de Bitcoin (marzo de 2021 y julio de 2023), correspondientes a periodos de interés institucional y estabilización del mercado, respectivamente. No se detectaron rupturas estructurales en la varianza condicional. La aplicación ilustra la capacidad del método para identificar cambios en la relación condicional entre la atención del mercado y la dinámica de precios.

Significancia y Reivindicaciones
Los autores afirman que su enfoque ofrece un marco no paramétrico unificado para la detección de rupturas estructurales en funcionales de regresión condicional, distinguiéndolo de los métodos existentes que dependen de supuestos paramétricos o se centran en propiedades marginales. Al permitir una dependencia temporal flexible (incluyendo la dependencia de rango largo) y evitar supuestos distributivos estrictos, el método se presenta como particularmente adecuado para series temporales financieras, que a menudo exhiben colas pesadas y estructuras de dependencia complejas. El artículo enfatiza que, si bien la teoría principal se desarrolla bajo el supuesto AMOC, la aplicación secuencial de la prueba proporciona una solución práctica y teóricamente fundamentada para la detección de múltiples puntos de cambio. Los autores señalan que el procedimiento es computacionalmente eficiente y superior en desempeño para datos financieros de cola pesada en comparación con algunas alternativas existentes. Concluyen sugiriendo que el marco teórico podría extenderse potencialmente a momentos condicionales de orden superior y entornos de alta dimensión en trabajos futuros.