Real-time monitoring with RCA models

Résumé Technique : Surveillance en Temps Réel avec des Modèles RCA

Énoncé du Problème
Le document traite du défi de la détection en ligne et en temps réel des points de rupture dans la persistance et les changements de régime (par exemple, le passage de la stationnarité à l'explosivité ou vice versa) au sein des séries temporelles. Les applications financières et épidémiologiques traditionnelles impliquent souvent des périodes de fluctuations « dociles » suivies d'une croissance explosive (bulles, pandémies) ou de collapsus soudains. Bien que la littérature existante propose des méthodes de détection ex-post robustes et certaines procédures en temps réel basées sur des modèles autorégressifs (AR), celles-ci reposent souvent sur des statistiques CUSUM non pondérées qui ne garantissent pas un délai de détection optimal. De plus, de nombreuses méthodes de surveillance séquentielle existantes pour les modèles autorégressifs à coefficients aléatoires (RCA) supposent la stationnarité, ce qui les rend incapables de détecter les transitions vers ou depuis des régimes explosifs. Les auteurs visent à combler cette lacune en développant un cadre de surveillance qui fonctionne indépendamment du fait que le processus sous-jacent soit stationnaire, non stationnaire ou explosif, et sans nécessiter de connaissance préalable du régime.

Méthodologie
Les auteurs proposent une famille de statistiques pondérées basées sur le processus de somme cumulée (CUSUM) des résidus de moindres carrés pondérés (WLS) dérivés d'un modèle RCA. Le modèle central est défini comme :
$$y_i = (\beta_i + \epsilon_{i,1})y_{i-1} + \epsilon_{i,2}$$
où $\beta_i$ est le paramètre autorégressif. La méthodologie s'étend pour inclure des régresseurs exogènes ($x_i$) dans un modèle dynamique :
$$y_i = (\beta_i + \epsilon_{i,1})y_{i-1} + \lambda_0^\top x_i + \epsilon_{i,2}$$

La procédure de détection fonctionne comme suit :

1. Phase d'entraînement : Un estimateur WLS ($\hat{\beta}_m$) est calculé à l'aide d'un échantillon d'entraînement $\{y_1, \dots, y_m\}$.
2. Phase de surveillance : À mesure que de nouvelles données arrivent, un détecteur est construit sur la base de la somme pondérée des résidus. Les auteurs définissent deux types de détecteurs :
   • CUSUM Standard : $Z_m(k) = \left| \sum_{i=m+1}^{m+k} (y_i - \hat{\beta}_m y_{i-1}) \frac{y_{i-1}}{1+y_{i-1}^2} \right|$
   • Page-CUSUM : $Z_m^\dagger(k) = \max_{1 \le \ell \le k} \left| \sum_{i=m+\ell}^{m+k} (y_i - \hat{\beta}_m y_{i-1}) \frac{y_{i-1}}{1+y_{i-1}^2} \right|$
     Le Page-CUSUM est conçu pour rechercher le « pire scénario » à chaque point temporel afin de réduire le délai de détection.
3. Schémas de pondération : Les détecteurs sont comparés à une fonction de frontière $g_{m,\psi}(k)$ qui inclut un paramètre de pondération $\psi \in [0, 1/2]$.
   • $\psi < 1/2$ : CUSUM pondéré.
   • $\psi = 1/2$ : CUSUM standardisé (poids proportionnels à l'écart-type).
4. Horizons de surveillance : Le cadre couvre à la fois la surveillance à « horizon ouvert » (indéfini) et à « horizon fermé » (arrêt à un temps pré-spécifié $m^*$), incluant les cas où $m^*$ est très court par rapport à l'échantillon d'entraînement ($m^* = o(m)$).

Principales Contributions
Le papier apporte cinq contributions primaires à la littérature sur la détection de points de rupture en ligne :

1. Distributions Limites pour l'Horizon Fermé : Les auteurs dérivent la distribution limite des statistiques de test pour le cas à horizon fermé. Ils notent que la pratique courante utilise souvent des valeurs critiques pour horizon ouvert (un choix conservateur), ce qui entraîne une perte de puissance. Leurs distributions dérivées permettent d'obtenir des valeurs critiques plus précises.
2. Horizons de Surveillance Courts : Ils adaptent la fonction de frontière et dérivent la distribution limite pour des horizons de surveillance « très courts » ($m^* = o(m)$), un scénario auparavant non traité dans la littérature mais pratiquement pertinent pour les chercheurs souhaitant redémarrer les procédures après de courts intervalles.
3. Amélioration des Valeurs Critiques pour le CUSUM Standardisé : Pour le cas $\psi = 1/2$, les valeurs critiques asymptotiques standards (basées sur la distribution des valeurs extrêmes) convergent lentement et sont imprécises en échantillon fini. Les auteurs proposent une approximation de type Darling-Erdős (Équation 3.8) qui offre un meilleur contrôle de la taille et une précision supérieure, même dans de petits échantillons.
4. Théorie du Page-CUSUM Pondéré : Ils dérivent la distribution limite pour les statistiques Page-CUSUM pondérées, démontrant que la limite est une variable aléatoire bien définie.
5. Extension aux Covariables : La théorie est étendue aux modèles RCA avec régresseurs exogènes. Il s'agit de la première contribution traitant de la détection en ligne dans les modèles RCA avec covariables, permettant l'inclusion de variables de contrôle (ex: taux d'intérêt, indicateurs économiques) sans nécessiter de modifications de la procédure basées sur la stationnarité des données.

Résultats

• Asymptotique : Sous l'hypothèse nulle d'absence de point de rupture, les auteurs établissent une convergence faible vers des fonctionnelles de processus de Wiener. Les distributions limites sont exemptes de paramètres nuisibles (nuisance-free), permettant d'obtenir les valeurs critiques via simulation. Sous l'hypothèse alternative (un changement de $\beta$), les procédures sont montrées comme cohérentes (la probabilité de détection approche 1), à condition que l'ampleur du changement ne décroisse pas trop rapidement.
• Simulations : Des expériences de Monte Carlo à travers des régimes stationnaires, faiblement explosifs et de racine unitaire stochastique (STUR) indiquent que :
  • Le CUSUM standardisé ($\psi = 1/2$) offre généralement le meilleur équilibre entre le contrôle de la taille et le délai de détection, particulièrement lorsqu'on utilise l'approximation proposée pour les valeurs critiques ($\hat{c}_{\alpha, 0.5}$).
  • Dans les régimes explosifs, les CUSUM pondérés avec $\psi < 1/2$ ont tendance à être moins conservateurs que la version standardisée.
  • En présence de covariables, l'inclusion de variables pertinentes (ex: indices d'activité économique) peut améliorer les délais de détection, bien qu'une attention particulière doive être portée au contrôle de la taille dans les cas STUR.
• Applications Empiriques :
  • Hospitalisations liées au Covid-19 : Appliquée aux données quotidiennes des hospitalisations au Royaume-Uni, la procédure a détecté avec succès le début de la deuxième vague (août 2020) et les confinements suivants avec des délais courts, précédant souvent les annonces officielles ou les dates de détection ex-post.
  • Prix de l'Immobilier : Appliquée aux prix de l'immobilier à Los Angeles, la méthode a détecté la stabilisation des prix après le krach de 2008. L'inclusion de covariables (taux d'intérêt, volatilité, activité économique) a apporté des améliorations significatives dans le timing de détection par rapport au modèle RCA pur.

Signification
Le papier affirme que sa méthodologie est particulièrement adaptée pour détecter l'apparition ou l'effondrement de bulles et d'épidémies car elle ne nécessite aucune connaissance préalable de savoir si les observations sont stationnaires ou non stationnaires. La capacité de basculer entre les régimes (stationnaire vers explosif, ou inversement) sans modifier les estimateurs ou le schéma de surveillance est un avantage distinct par rapport aux approches AR standards. En fournissant un cadre unifié gérant à la fois la surveillance à horizon ouvert et fermé, les horizons courts et les régresseurs exogènes, les auteurs offrent un outil robuste pour les autorités de santé publique et les décideurs politiques afin de répondre rapidement aux ruptures structurelles de la persistance. L'approximation proposée pour les valeurs critiques dans le cas standardisé est mise en avant comme une amélioration pratique de la théorie asymptotique existante, garantissant un meilleur contrôle de la taille en échantillon fini.