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

Resumen Técnico: De la No Estacionariedad a la Estacionariedad mediante Ruido 1/f

Enunciado del Problema
El artículo aborda el desafío fundamental en el análisis de series temporales de distinguir entre la no estacionariedad genuina y la estacionariedad de memoria larga. Ambos fenómenos exhiben autocovarianzas muestrales que decaen lentamente y comportamientos similares en bajas frecuencias, lo que dificulta su diferenciación. Si bien existe literatura extensa para procesos estacionarios con un parámetro de memoria $d \in (-1/2, 1/2)$, y para procesos no estacionarios con $d \in [1/2, 3/2)$, el caso límite $d = 1/2$ (conocido como ruido 1/f o el caso "justamente no estacionario") presenta dificultades teóricas específicas. Las pruebas existentes, como la prueba V/S en el dominio del tiempo propuesta por Giraitis et al. (2006), sufren de tamaños empíricos inflados a medida que $d$ se acerca a $1/2$, fallando en distinguir diferencias sutiles entre regímenes. Además, los enfoques totalmente paramétricos, como los de Robinson (1994, 2003), dependen de suposiciones específicas sobre filtros lineales y requieren pasos de preblanqueamiento que pueden degradar el rendimiento cuando están presentes componentes de memoria corta.

Metodología
Los autores proponen un procedimiento de prueba no paramétrico que no requiere la estimación del parámetro de memoria $d$. La metodología se basa en los siguientes componentes teóricos y estadísticos:

1. Marco Asintótico Unificado: El artículo deriva la distribución límite conjunta de las Transformadas Discretas de Fourier (DFT) de una serie temporal en un número fijo de frecuencias de Fourier para el rango completo $d \in (-1/2, 3/2)$. Esto cubre tanto los regímenes estacionarios ($d < 1/2$) como los no estacionarios ($d \ge 1/2$), incluido el límite $d=1/2$.

2. Correcciones Logarítmicas: Una idea teórica clave es que en el límite $d=1/2$, la normalización estándar es insuficiente para que la media muestral y la varianza muestral admitan límites no degenerados. Los autores demuestran que se requiere un factor de normalización de $\log(n)$ para que estas estadísticas converjan a distribuciones asintóticas explícitas.

3. Construcción de la Estadística de Prueba: La estadística de prueba propuesta, $Q_n(s)$, combina tres elementos:

   • La media muestral (específicamente una diferencia de sumas parciales, $D_n$).
   • La varianza muestral.
   • Un número finito de ordenadas del periodograma de baja frecuencia ($I_n(\lambda_j)$).

   La estadística se define como:
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   donde $D_n$ representa la diferencia entre la media de las primeras $m$ observaciones y la de las últimas $m$ observaciones (con $m \approx \sqrt{n}$).

Contribuciones y Resultados Clave

• Teorema 2.1 (Límite Conjunto de DFT): Establece la normalidad asintótica conjunta de las partes real e imaginaria de las DFT para procesos con $d \in (-1/2, 3/2)$. La distribución límite es gaussiana con una estructura de covarianza explícita $\Sigma(d)$, que varía dependiendo de si $d$ se encuentra en el rango estacionario, límite o no estacionario.
• Teorema 2.2 (Media y Varianza Muestral en $d=1/2$): Demuestra que para $d=1/2$, la media muestral $\bar{X}_n$ normalizada por $\sqrt{\log(n)}$ converge a una distribución normal. Además, establece que la varianza muestral, cuando se normaliza por $n \log(n)$, converge a una constante, y que la relación del cuadrado de la media con la varianza converge a una distribución $\chi^2(1)$.
• Proposición 3.1 (Distribución Límite de la Estadística de Prueba):
  • Bajo la hipótesis nula ($H_0$: no estacionariedad con $d \ge 1/2$ o tendencias deterministas), la estadística $Q_n(s)$ diverge a infinito si $d > 1/2$. Si $d = 1/2$, converge a una suma ponderada finita de variables independientes $\chi^2(1)$. Si existe una tendencia determinista, la estadística también diverge.
  • Bajo la hipótesis alternativa ($H_1$: estacionariedad con $d < 1/2$), la estadística converge en probabilidad a 0.
  • Esto permite la construcción de una prueba consistente con una región de rechazo $R = \{Q_n(s) < q(\alpha, s)\}$, donde $q(\alpha, s)$ es el cuantil de la distribución límite bajo $d=1/2$.

Resultados de Simulación
El artículo valida el método propuesto mediante simulaciones de Monte Carlo extensas que comparan $Q_n(s)$ con la prueba de no estacionariedad eficiente de Robinson (1994) ($\tilde{r}$) y su versión preblanqueada.

• Robustez ante Memoria Corta: La estadística propuesta $Q_n(s)$ mantiene un buen poder y control del tamaño incluso cuando el proceso generador de datos incluye componentes AR de memoria corta. Por el contrario, la prueba de Robinson $\tilde{r}$ funciona bien solo para modelos FARIMA puros, pero se deteriora significativamente en presencia de componentes AR, incluso con preblanqueamiento.
• Procesos Agregados: La prueba permanece robusta para procesos AR(1) de coeficientes aleatorios agregados, los cuales imitan la memoria larga pero no son fraccionales.
• Rupturas Estructurales: La prueba detecta con éxito la no estacionariedad que surge de rupturas estructurales deterministas en la media, mientras que la prueba de Robinson a menudo falla en rechazar la hipótesis nula de no estacionariedad en estos escenarios (aceptando incorrectamente la hipótesis nula).
• Rendimiento en el Límite: En el límite crítico $d=1/2$, el tamaño empírico de $Q_n(s)$ permanece cercano al nivel nominal (por ejemplo, 0.05), mientras que otros métodos a menudo exhiben tamaños empíricos altos.

Significado y Afirmaciones
Los autores afirman que la contribución principal de este trabajo es la derivación de un marco asintótico unificado para las DFT a través de regímenes estacionarios y no estacionarios, resolviendo específicamente el comportamiento en el límite $d=1/2$. La estadística de prueba resultante ofrece un método computacionalmente eficiente y libre de parámetros para distinguir el comportamiento estacionario de la no estacionariedad fraccional o determinista. A diferencia de enfoques anteriores, este método no depende de suposiciones paramétricas sobre el filtro lineal ni requiere pasos de preblanqueamiento, lo que lo hace más robusto ante la mala especificación del modelo y la dinámica de memoria corta. El artículo presenta esto como una solución a la distinción "sutil" entre el comportamiento estacionario y no estacionario cerca del límite del ruido 1/f, proporcionando una distribución límite tratable (una suma ponderada de variables $\chi^2$) que contrasta con los límites de integrales estocásticas típicos de las pruebas clásicas en el dominio del tiempo.