First versus full or first versus last: U-statistic change-point tests under fixed and local alternatives

1. Problématique et Contexte

L'article aborde le problème de détection de changements (change-point) dans des séries temporelles, en se concentrant sur la constance d'un paramètre $\theta$ de la distribution marginale d'un processus stationnaire. La méthode classique de détection repose sur les statistiques CUSUM (Cumulative Sum).

Lorsque l'estimateur du paramètre $\hat{\theta}_n$ est une statistique U (non linéaire), deux approches de construction de la statistique de test sont couramment utilisées dans la littérature, mais rarement comparées systématiquement :

1. L'approche "First-vs-Full" (FvsF) : Compare l'estimateur sur la première partie de l'échantillon ($\hat{\theta}_{1:k}$) à l'estimateur sur l'ensemble de l'échantillon ($\hat{\theta}_{1:n}$).
   $$T_1 = \max_{1 \le k \le n} \frac{k}{\sqrt{n}} |\hat{\theta}_{1:k} - \hat{\theta}_{1:n}|$$
2. L'approche "First-vs-Last" (FvsL) : Compare l'estimateur sur la première partie ($\hat{\theta}_{1:k}$) à l'estimateur sur la partie restante ($\hat{\theta}_{(k+1):n}$).
   $$T_2 = \max_{1 \le k \le n} \frac{k(n-k)}{n^{3/2}} |\hat{\theta}_{1:k} - \hat{\theta}_{(k+1):n}|$$

Pour les statistiques linéaires (comme la moyenne), ces deux formulations sont identiques. Cependant, pour les statistiques U (comme la différence moyenne de Gini, la variance, ou le tau de Kendall), elles diffèrent. La question centrale de l'article est de déterminer si ces deux tests diffèrent substantiellement et, le cas échéant, lequel est plus puissant selon la situation des données.

2. Méthodologie

Les auteurs analysent le comportement asymptotique des deux statistiques de test sous trois régimes :

• Hypothèse nulle ($H_0$) : Pas de changement.
• Alternatives locales : Le changement de distribution tend vers l'identité à une vitesse $1/\sqrt{n}$.
• Alternatives fixes : Le changement de distribution est fixe et non nul.

Cadre théorique :

• Les données $(X_i)$ sont modélisées comme une suite stationnaire forte, potentiellement faiblement dépendante (en utilisant le cadre P-NED : Near Epoch Dependence in Probability).
• Les statistiques U sont définies par un noyau symétrique $h(x,y)$.
• La décomposition de Hoeffding est utilisée pour séparer les termes linéaires (dominants) et les termes dégénérés d'ordre 2.

Critère de comparaison :
L'article introduit un critère fondamental basé sur l'excentricité $\rho_{FG}$, définie comme :
$$\rho_{FG} = \theta_{FG} - \frac{\theta_F + \theta_G}{2}$$
où :

• $\theta_F = E[h(X, X')]$ (paramètre avant le changement),
• $\theta_G = E[h(Y, Y')]$ (paramètre après le changement),
• $\theta_{FG} = E[h(X, Y')]$ (paramètre mixte entre les deux distributions).

3. Résultats Clés

A. Équivalence Asymptotique (Grandes Échantillons)

Sous l'hypothèse nulle et sous des alternatives locales, les deux statistiques de test sont asymptotiquement équivalentes.

• Elles convergent vers la même distribution limite (le supremum d'un pont brownien).
• Elles ont la même puissance asymptotique pour de grands échantillons.
• Cela explique pourquoi, dans les simulations avec $n=4000$, les différences de puissance sont négligeables (< 0,1%).

B. Différences sous Alternatives Fixes (Petits/Moyens Échantillons)

Sous des alternatives fixes, les statistiques convergent vers des limites déterministes différentes ($\Psi_1(t)$ pour FvsF et $\Psi_2(t)$ pour FvsL). La différence de puissance dépend du signe de l'excentricité $\rho_{FG}$ par rapport à la différence de paramètre $\theta_G - \theta_F$.

Critère de puissance :

1. Si $\rho_{FG}$ a le même signe que $\theta_G - \theta_F$, le test First-vs-Full est plus puissant.
2. Si $\rho_{FG}$ a un signe opposé à $\theta_G - \theta_F$, le test First-vs-Last est plus puissant.
3. Si $\rho_{FG} = 0$, les deux tests sont équivalents.

C. Applications à des Statistiques Spécifiques

1. Différence Moyenne de Gini (GMD) :

   • Noyau : $h(x,y) = |x-y|$.
   • Résultat : $\rho_{FG} \ge 0$ toujours.
   • Conclusion : Le test FvsF est plus puissant si la variance (ou l'échelle) augmente ($\theta_G > \theta_F$). Le test FvsL est plus puissant si la variance diminue. Ce résultat est indépendant de la position du changement ou de la distribution sous-jacente.

2. Variance Échantillonnale :

   • Noyau : $h(x,y) = (x-y)^2/2$.
   • Résultat : $\rho_{FG} = \frac{1}{2}(\mu_F - \mu_G)^2 \ge 0$.
   • Conclusion : Si la moyenne ne change pas, $\rho_{FG}=0$ et les tests sont équivalents. Si la moyenne change, $\rho_{FG} > 0$, et la règle de la GMD s'applique (FvsF meilleur pour augmentation de variance, FvsL pour diminution).

3. Tau de Kendall :

   • Noyau : Indicateur de concordance.
   • Résultat : $\rho_{FG}$ peut être positif, négatif ou nul selon la structure de dépendance (ex: changement de corrélation dans une loi normale bivariée).
   • Conclusion : Le choix du test dépend de la configuration spécifique du changement de corrélation.

4. Contributions Majeures

1. Résolution d'une ambiguïté théorique : L'article démontre que l'affirmation selon laquelle le test "First-vs-Last" serait systématiquement plus puissant est fausse. La supériorité dépend de la nature du changement et de la statistique utilisée.
2. Critère simple de sélection : L'introduction de l'excentricité $\rho_{FG}$ fournit une règle pratique pour choisir le test optimal sans avoir à simuler des cas spécifiques.
3. Analyse de la consistance des estimateurs de localisation : L'article étudie la consistance de l'estimateur du point de changement ($\hat{\tau} = \text{argmax}$). Il montre que, bien que les tests soient consistants pour détecter un changement, l'estimateur de la localisation peut ne pas être consistant si l'excentricité est trop grande par rapport à la différence de paramètre.
4. Preuves sous dépendance faible : Les résultats sont établis dans un cadre général incluant les séries faiblement dépendantes (P-NED), rendant les conclusions applicables à des données réelles complexes.

5. Signification et Implications

• Pour la pratique statistique : Les chercheurs et praticiens ne doivent pas choisir arbitrairement entre les deux formulations de CUSUM pour les statistiques U. Pour des échantillons de taille modérée (fréquents en pratique), le choix peut avoir un impact significatif sur la puissance du test.
• Exemple concret (Données réelles) : L'application aux débits du fleuve Colorado montre que pour détecter une diminution de la variabilité (due à la construction d'un barrage), le test FvsL détecte le changement avec une p-value significative (0,019) tandis que le FvsF est à la limite de la significativité (0,076), confirmant la prédiction théorique pour une diminution d'échelle.
• Futur de la recherche : L'article ouvre la voie à l'application de ce critère d'excentricité à d'autres classes d'estimateurs (quantiles, statistiques de rang, fonctionnelles différentiables).

En résumé, cet article fournit une théorie complète et des règles pratiques pour optimiser la détection de changements dans les séries temporelles en utilisant des statistiques U, en démontrant que la performance relative des approches "First-vs-Full" et "First-vs-Last" est dictée par la géométrie des distributions avant et après le changement.