Another Look at Bandwidth-free Inference: a Sample Splitting Approach

Resumen Técnico: Otra mirada a la inferencia libre de ancho de banda: un enfoque de división de muestras

Planteamiento del problema
Los métodos de inferencia libres de ancho de banda, particularmente la Autonormalización (SN), han ganado relevancia en la econometría y la estadística para probar parámetros multidimensionales en series temporales. A diferencia de los enfoques tradicionales de Heterocedasticidad y Autocorrelación Consistente (HAC), los métodos SN no requieren la selección de un parámetro de ajuste (ancho de banda o retardo de truncamiento) y utilizan estimadores inconsistentes de la varianza de largo plazo para construir estadísticas de prueba pivotales. Si bien estos métodos ofrecen una precisión de tamaño superior a las pruebas basadas en HAC, los autores observan una limitación crítica: cuando la dimensión del parámetro ($p$) es moderada y la dependencia temporal es de moderada a fuerte, las pruebas SN tradicionales exhiben una distorsión de tamaño significativa (ya sea un exceso de tamaño severo o un tamaño insuficiente). Este fenómeno, vinculado teóricamente al impacto de la dimensionalidad y la dependencia de serie en las expansiones de Edgeworth, hace que las pruebas SN estándar sean poco fiables en entornos prácticos que involucran series temporales de dimensión moderada.

Metodología
Para abordar el problema de la distorsión de tamaño, los autores proponen un enfoque de División de Muestras más Autonormalización (SS-SN). La idea central es dividir la muestra completa de tamaño $n$ en dos partes: $P_1 = \{X_1, \dots, X_{\lfloor n\alpha \rfloor}\}$ y $P_2 = \{X_{\lfloor n\alpha \rfloor + 1}, \dots, X_n\}$, donde $\alpha \in (0,1)$ es la proporción de división.

El procedimiento opera en dos pasos:

1. Reducción de la Dimensión (usando $P_1$): La primera submuestra se utiliza para identificar la dirección de la desviación más fuerte de la hipótesis nula.
   • Para el tipo $L_\infty$ (SS-SN1): El método identifica la coordenada específica $j$ que maximiza la desviación estandarizada de la media muestral en $P_1$.
   • Para el tipo $L_2$ (SS-SNP): El método construye un vector de proyección $\hat{P}$ basado en las medias muestrales estandarizadas en $P_1$ para capturar alternativas densas.
2. Prueba Libre de Ancho de Banda (usando $P_2$): La segunda submuestra se proyecta sobre la dirección identificada en el paso 1, reduciendo el problema a una serie temporal unidimensional. Se construye entonces una estadística de prueba SN estándar sobre esta serie proyectada y de dimensión reducida.

Los autores definen dos estadísticas de prueba específicas:

• $T_n^{(M)}(\alpha, \hat{j})$ (SS-SN1): Apunta a alternativas dispersas donde solo unas pocas coordenadas se desvían de la nulidad.
• $Q_n^{(M)}(\alpha)$ (SS-SNP): Apunta a alternativas densas donde una parte sustancial de las coordenadas se desvía.
• SS-SNb: Una combinación de Bonferroni de SS-SN1 y SS-SNP (con $\alpha=0.5$) diseñada para proporcionar potencia robusta contra tanto alternativas dispersas como densas sin conocimiento previo del tipo de alternativa.

Contribuciones Teóricas
El artículo establece las propiedades asintóticas de las estadísticas propuestas bajo dimensiones fijas y divergentes:

1. Dimensión Fija: Bajo la hipótesis nula, tanto las estadísticas SS-SN de tipo $L_\infty$ como las de tipo $L_2$ convergen en distribución a $U_1$ (la distribución de la estadística SN estándar para $p=1$). Crucialmente, esta distribución límite es pivotal e independiente de la proporción de división $\alpha$.
2. Dimensión Divergente: Los autores extienden la teoría a escenarios donde la dimensión $p_n$ crece con el tamaño de la muestra $n$. Utilizando resultados de aproximación Gaussiana secuencial para series temporales (Mies y Steland, 2023), demuestran la validez asintótica de las estadísticas SS-SN1 y SS-SNP incluso cuando $p_n \to \infty$ (bajo condiciones específicas de tasa de crecimiento).
3. Independencia Asintótica: Un resultado teórico clave es la demostración de que las estadísticas SS-SN de tipo $L_\infty$ y de tipo $L_2$ son asintóticamente independientes bajo la nulidad en el escenario de dimensión creciente. Esta independencia justifica el uso del procedimiento de Bonferroni (SS-SNb) para combinar las pruebas sin ser excesivamente conservador.
4. Extensiones: La metodología se generaliza a otros problemas de prueba, incluyendo la prueba de autocorrelación cero, hipótesis lineales en modelos de regresión de series temporales y detección de cambios de punto en medias multivariantes.

Resultados Empíricos
Estudios de simulación extensos demuestran la efectividad del enfoque SS-SN:

• Precisión de Tamaño: En muestras finitas, las pruebas SN tradicionales sufren una severa distorsión de tamaño cuando $p$ es moderado (por ejemplo, $p=10$) y la autocorrelación es fuerte ($|\rho| \approx 0.7$). En contraste, SS-SN1, SS-SNP y SS-SN mantienen una precisión de tamaño cercana al nivel nominal (5%) a través de una amplia gama de dimensiones y estructuras de dependencia.
• Potencia: Aunque la división de muestras conlleva una pérdida de potencia en comparación con las pruebas SN tradicionales (ya que solo una parte de los datos se utiliza para la estadística de prueba final), esta pérdida es moderada.
  • SS-SN1 supera a SS-SNP bajo alternativas dispersas.
  • SS-SNP supera a SS-SN1 bajo alternativas densas.
  • La prueba combinada SS-SNb logra una potencia "integral", funcionando casi tan bien como la mejor estadística individual para un tipo de alternativa dado, manteniendo al mismo tiempo un control de tamaño robusto.
• Eficiencia Computacional: El costo computacional de los métodos propuestos escala linealmente con la dimensión $O(pn)$, lo que representa una mejora significativa respecto al escalamiento cuadrático o cúbico $O(p^2n + p^3)$ de las pruebas SN tradicionales.

Significación y Reivindicaciones
Los autores afirman que el enfoque SS-SN proporciona una solución práctica al problema de la distorsión de tamaño inherente a la inferencia libre de ancho de banda para series temporales de dimensión moderada. Al reducir la dimensionalidad del problema de inferencia a uno mediante la división de muestras, el método aprovecha las propiedades de tamaño favorables de las pruebas SN univariantes mientras evita los problemas de selección de ancho de banda de los estimadores HAC.

Las principales reivindicaciones sobre la significación del método incluyen:

• Robustez: El método ofrece una estabilidad de tamaño superior comparado con los métodos tradicionales de SN y de base HAC, particularmente cuando la dependencia temporal es fuerte.
• Novedad Teórica: La derivación de las distribuciones límite para las estadísticas SS-SN en un escenario de dimensión creciente y la prueba de su independencia asintótica representan una contribución teórica no trivial a la literatura sobre la autonormalización.
• Utilidad Práctica: Los autores recomiendan la combinación de Bonferroni (SS-SNb) para profesionales que carecen de conocimiento previo sobre la hipótesis alternativa, ya que equilibra la precisión de tamaño y la potencia en diferentes escenarios.
• Ventaja Computacional: El escalamiento lineal con la dimensión hace que el método sea computacionalmente atractivo para problemas de dimensión moderada.

El artículo concluye que, si bien el método SS-SN implica un compromiso (una pérdida de potencia moderada por una mejora significativa del tamaño), este compromiso es favorable dada la falta de fiabilidad de las pruebas de ancho de banda tradicionales en presencia de dimensionalidad moderada y dependencia fuerte. Los autores sugieren que trabajos futuros podrían extender estas ideas a marcos de Método de Momentos Generalizados (GMM) y otros métodos asintóticos de suavizado fijo.