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

Résumé technique : Méthode non paramétrique de détection de rupture structurelle dans un modèle de régression de séries temporelles stochastiques

Énoncé du problème
L'article traite du défi de la détection des ruptures structurelles dans les modèles de régression de séries temporelles stochastiques, en se concentrant spécifiquement sur les changements dans les fonctions de moyenne conditionnelle et/ou de variance conditionnelle. La littérature existante repose souvent sur des hypothèses paramétriques concernant le processus générateur de données (par exemple, une régression linéaire avec des structures d'erreurs spécifiques telles que ARMA ou GARCH) ou suppose des conditions d'indépendance/de mélange qui peuvent ne pas être vérifiées dans des scénarios réels complexes. De plus, de nombreuses approches non paramétriques se concentrent sur les changements de distribution marginale ou sur les caractéristiques spectrales plutôt que sur les fonctionnelles de régression conditionnelle elles-mèmes. Les auteurs visent à développer un cadre flexible qui n'impose pas de formes paramétriques spécifiques à la structure de dépendance du régresseur, du modèle de série temporelle ou de la distribution du bruit, tout en tenant compte de la dépendance à court et long terme dans le processus de covariable.

Méthodologie
La méthodologie proposée est construite sur un modèle de régression stochastique :
$$Y_t = \mu(X_t) + \sigma(X_t)\epsilon_t$$
où $\{Y_t\}$ est la réponse, $\{X_t\}$ est la covariable, $\mu(\cdot)$ est la moyenne conditionnelle, $\sigma^2(\cdot)$ est la variance conditionnelle, et $\{\epsilon_t\}$ est un processus de bruit i.i.d. de variance unitaire.

1. Cadre d'estimation :
   Les auteurs utilisent des estimateurs à noyau de type Nadaraya-Watson pour estimer la différence entre les fonctions conditionnelles dans deux segments disjoints de la série temporelle ($T^-$ et $T^+$). Pour gérer le biais inhérent à l'estimation par noyau, ils emploient une correction de type jackknife utilisant une fonction de noyau modifiée $K^*(u) = 2K(u) - K(u/\sqrt{2})/\sqrt{2}$. Cela permet la construction d'estimateurs corrigés du biais pour la différence de moyennes ($\hat{\mu}^*_{diff}$) et la différence de variances ($\hat{\sigma}^{*2}_{diff}$).

2. Gestion de la dépendance :
   Une composante théorique clé est le traitement de la dépendance temporelle de la covariable $\{X_t\}$. Les auteurs supposent que $\{X_t\}$ admet une représentation causale pilotée par des innovations i.i.d. Ils utilisent des opérateurs de projection de martingales pour quantifier la dépendance, distinguant les processus à dépendance à court terme (SRD) et à long terme (LRD) via une quantité $\Xi_n$. Les résultats théoriques sont valables pour les deux cas, à condition que des conditions de largeur de bande (bandwidth) spécifiques soient respectées.

3. Tests d'hypothèses :
   Le cœur de la méthode consiste à tester l'hypothèse nulle selon laquelle la fonction conditionnelle (moyenne ou variance) reste constante à travers l'horizon temporel contre l'hypothèse alternative qu'une rupture structurelle existe.

• Statistiques de test : Les statistiques de test sont basées sur la borne supérieure de la différence absolue entre les fonctions estimées sur une grille dense de points dans l'espace de la covariable : $\sup_{x \in \Pi_n} |\hat{\mu}^*_{diff}(x)|$ pour la moyenne et $\sup_{x \in \Pi_n} |\hat{\sigma}^{*2}_{diff}(x)|$ pour la variance.
• Distribution asymptotique : Sous l'hypothèse nulle, les auteurs dérivent la distribution asymptotique de ces statistiques de supremum. Ils démontrent qu'après une normalisation appropriée, les statistiques convergent vers une distribution de Gumbel. Cela permet la construction de valeurs critiques pour les tests d'hypothèses sans nécessiter d'hypothèses paramétriques sur la distribution du bruit.
• Tests simultanés : Pour détecter simultanément des ruptures de moyenne et de variance, les auteurs proposent une procédure utilisant le maximum des statistiques de test individuelles combiné à une correction de Holm-Bonferroni.

4. Algorithme de localisation :
   Bien que la théorie principale suppose un scénario de "rupture au plus une" (AMOC - at-most-one-change), l'article étend la méthode à des points de rupture multiples via un algorithme de segmentation binaire. Cela implique l'application récursive du test AMOC à des sous-segments. Pour affiner la localisation et contrôler les faux positifs, une étape de validation post-détection re-teste les points de rupture détectés en utilisant des sous-données locales pour confirmer la significativité. La cohérence de la localisation des points de rupture est établie théoriquement.

Contributions clés et résultats

• Garanties théoriques : L'article fournit une théorie asymptotique rigoureuse montrant que les estimateurs proposés sont cohérents et que les statistiques de test convergent vers une distribution connue (Gumbel) sous l'hypothèse nulle. La cohérence de la localisation des points de rupture est également prouvée.
• Flexibilité : La méthode ne nécessite pas que l'utilisateur spécifie la forme fonctionnelle de $\mu(\cdot)$ ou $\sigma^2(\cdot)$, et n'assume pas de distribution spécifique pour le bruit $\epsilon_t$, hormis des conditions de moments (moments d'ordre deux pour le test de la moyenne, moments d'ordre quatre pour le test de la variance). Elle peut accommoder des distributions à queues lourdes pour les séries observées $Y_t$ même si le bruit standardisé possède des queues plus légères, car la fonction de variance conditionnelle absorbe le comportement des queues.
• Performance de simulation : Des simulations approfondies à travers divers processus générateurs de données (incluant White Noise, ARMA-GARCH et modèles Threshold AR) et diverses distributions de bruit (Normale, Student's t, et Power Law) démontrent que le test maintient un bon contrôle de la taille (taux d'erreur de Type I proches des niveaux nominaux). La puissance du test augmente avec la taille de l'échantillon et est particulièrement efficace pour détecter les ruptures de variance conditionnelle, surpassant souvent la détection de rupture de moyenne dans des modèles complexes. La méthode fait preuve de robustesse face aux innovations à queues lourdes.
• Application réelle : La méthode est appliquée aux données de prix du Bitcoin et aux scores d'intérêt de Google News (GNIS). L'analyse identifie deux ruptures structurelles dans la relation de moyenne conditionnelle entre l'attention publique et les prix du Bitcoin (mars 2021 et juillet 2023), correspondant respectivement à des périodes d'intérêt institutionnel et de stabilisation du marché. Aucune rupture structurelle n'a été détectée dans la variance conditionnelle. L'application illustre la capacité de la méthode à identifier les changements dans la relation conditionnelle entre l'attention du marché et la dynamique des prix.

Signification et affirmations
Les auteurs affirment que leur approche offre un cadre non paramétrique unifié pour la détection de ruptures structurelles dans les fonctionnelles de régression conditionnelle, se distinguant des méthodes existantes qui reposent sur des hypothèses paramétriques ou se concentrent sur des propriétés marginales. En permettant une dépendance temporelle flexible (incluant la dépendance à long terme) et en évitant des hypothèses de distribution strictes, la méthode est présentée comme particulièrement adaptée aux séries temporelles financières, qui présentent souvent des queues lourdes et des structures de dépendance complexes. L'article souligne que, bien que la théorie principale soit développée sous l'hypothèse AMOC, l'application séquentielle du test fournit une solution pratique et théoriquement fondée pour la détection de points de rupture multiples. Les auteurs notent que la procédure est efficace sur le plan computationnel et supérieure en performance pour les données financières à queues lourdes par rapport à certaines alternatives existantes. Ils concluent en suggérant que le cadre théorique pourrait potentiellement être étendu à des moments conditionnels d'ordre supérieur et à des contextes de haute dimension dans des travaux futurs.