Testing and estimation of the index of stability of univariate and bivariate symmetric $\alpha-$stable distributions via modified Greenwood statistic

Título: Pruebas y estimación del índice de estabilidad de distribuciones $\alpha$-estables simétricas univariadas y bivariadas mediante la estadística de Greenwood modificada

1. Planteamiento del Problema

El objetivo principal del trabajo es abordar la dificultad de distinguir entre distribuciones Gaussianas y distribuciones $\alpha$-estables de cola pesada, especialmente cuando el índice de estabilidad $\alpha$ se aproxima a 2 (el caso Gaussiano).

• Contexto: Las distribuciones $\alpha$-estables generalizan la distribución Gaussiana. Cuando $\alpha < 2$, presentan colas pesadas y varianza infinita, lo cual es común en modelado de riesgos financieros, señales físicas y datos biomédicos.
• Desafío: Los métodos clásicos para probar la normalidad multivariada (como las pruebas de Mardia, Jarque-Bera o Henze-Zirkler) a menudo carecen de potencia estadística cuando la muestra es pequeña o cuando la distribución subyacente es $\alpha$-estable pero muy cercana a la Gaussiana ($\alpha \approx 2$).
• Brecha: Existe una necesidad de metodologías robustas que funcionen tanto en el caso univariado como en el bivariado (y multivariado) para validar si una muestra proviene de una distribución sub-Gaussiana (un caso especial de $\alpha$-estable multivariada) y para estimar el parámetro $\alpha$.

2. Metodología Propuesta

Los autores proponen una metodología basada en una versión modificada de la estadística de Greenwood, originalmente diseñada para variables aleatorias positivas, pero adaptada para muestras simétricas de valores reales.

• Estadística de Greenwood Modificada (Univariada):
  Para una muestra $X = (X_1, \dots, X_n)$, se define como:
  $$S_X = \frac{\sum_{i=1}^n |X_i|^2}{(\sum_{i=1}^n |X_i|)^2}$$
  Esta estadística es invariante a la escala y monótona estocásticamente decreciente con respecto al índice de estabilidad $\alpha$ dentro de la clase de distribuciones $\alpha$-estables simétricas.

• Extensión al Caso Bivariado (Sub-Gaussiano):
  Se proponen dos extensiones para una muestra bivariada $\vec{X} = (X_1, X_2, \dots, X_n)$, donde cada observación es un vector $(X_1^{(i)}, X_2^{(i)})$:

  1. Escenario 1 ($S_{\vec{X}}^1$): Se define sobre la suma de las componentes $W_i = X_1^{(i)} + X_2^{(i)}$. La estadística resultante es independiente de la correlación $\rho$ entre las variables y mantiene la propiedad de monotonía estocástica respecto a $\alpha$.
  2. Escenario 2 ($S_{\vec{X}}^2$): Se define sobre la suma de cuadrados $Y_i = (X_1^{(i)})^2 + (X_2^{(i)})^2$. Esta estadística depende de un parámetro $\beta$ (relacionado con la correlación y la relación de varianzas). Se demuestra que, para un $\beta$ fijo, la estadística también es monótona decreciente respecto a $\alpha$.

• Procedimiento de Prueba:

  • Se plantean hipótesis como $H_0: \alpha = 2$ (Gaussiano) vs. $H_1: \alpha < 2$ (cola pesada).
  • Las regiones de rechazo se construyen utilizando cuantiles estimados mediante simulaciones de Monte Carlo.
  • Se utiliza el método de "inversión de la prueba" para construir intervalos de confianza para el parámetro $\alpha$.

3. Contribuciones Clave

• Generalización Bivariada: Extienden la estadística de Greenwood modificada (anteriormente solo univariada) al contexto bivariado para distribuciones sub-Gaussianas.
• Nuevas Estadísticas de Prueba: Introducen dos variantes ($S^1$ y $S^2$) para el caso bivariado, analizando sus propiedades probabilísticas y su dependencia de la correlación.
• Superioridad en Casos Críticos: Demuestran que sus métodos superan a las pruebas clásicas de normalidad multivariada, especialmente en:
  • Muestras de tamaño pequeño ($n < 30$).
  • Situaciones donde $\alpha$ es muy cercano a 2 (dificultad para distinguir de la Gaussiana).
• Aplicabilidad Práctica: Proporcionan un marco completo que incluye tanto pruebas de hipótesis como estimación de parámetros e intervalos de confianza.

4. Resultados

• Estudios de Simulación:

  • Se comparó el poder de las pruebas $S^1$ y $S^2$ frente a las pruebas de Jarque-Bera, Henze-Zirkler, Mardia (asimetría y curtosis) y Royston.
  • Hallazgo Principal: La prueba basada en $S^1$ es significativamente más potente que las pruebas clásicas para tamaños de muestra pequeños ($n=10$) y cuando $\alpha$ se acerca a 2.
  • Para muestras grandes ($n=100$), las pruebas clásicas (como Mardia) pueden competir, pero $S^1$ sigue siendo superior en el rango crítico de $\alpha \approx 1.9 - 2.0$.
  • La prueba $S^2$ es muy potente cuando la correlación es alta ($\rho \approx 1$), pero su rendimiento disminuye si la correlación es baja. Se recomienda usar $S^1$ cuando la correlación es desconocida o la muestra es pequeña.

• Análisis de Datos Reales (Finanzas):

  • Se aplicó la metodología a datos de un fondo minero de cobre (KGHM), analizando los residuos de un modelo VAR(1) para el tipo de cambio USD/PLN y el precio del cobre.
  • Los datos se dividieron en dos regímenes: crisis (2008-2012) y mercado estable (2012-2020).
  • Conclusión Empírica: Todas las pruebas (incluyendo las propuestas y la de Mardia) rechazaron la normalidad bivariada, confirmando que los residuos siguen una distribución $\alpha$-estable con colas pesadas ($\alpha < 2$).
  • Se calcularon intervalos de confianza del 95% para $\alpha$, obteniendo valores consistentes con la literatura previa (ej. $\hat{\alpha} \approx 1.72 - 1.92$), validando la utilidad de la estimación propuesta.

5. Significado e Impacto

• Herramienta Robusta: El trabajo ofrece una solución efectiva al problema de "distinguir lo casi-Gaussiano de lo Gaussiano", un desafío persistente en estadística aplicada.
• Versatilidad: La metodología es aplicable en diversos campos donde los datos presentan colas pesadas y dependencias complejas, como mercados financieros, monitoreo de condiciones en ingeniería (vibraciones), biología y telecomunicaciones.
• Avance Teórico: Establece formalmente las propiedades de monotonía estocástica de la estadística de Greenwood modificada en el contexto multivariado, sentando las bases para futuras extensiones a dimensiones superiores ($d > 2$).

En resumen, el artículo presenta una metodología estadística superior para la validación de modelos de distribuciones estables, superando las limitaciones de las pruebas de normalidad tradicionales en escenarios de muestras pequeñas y alta similitud con la distribución Gaussiana.