Testing and estimation of the index of stability of univariate and bivariate symmetric $\alpha-$stable distributions via modified Greenwood statistic

Titre de l'article

Tests et estimation de l'indice de stabilité des distributions stables $\alpha$-stables symétriques univariées et bivariées via une statistique de Greenwood modifiée.

1. Problématique

L'objectif principal de cet article est de proposer une méthodologie robuste pour tester si un échantillon aléatoire (univarié ou bivarié) provient d'une distribution stable $\alpha$-stable, en particulier au sein de la classe des distributions sous-gaussiennes.

Le défi central réside dans la difficulté de distinguer entre une distribution Gaussienne (où l'indice de stabilité $\alpha = 2$) et une distribution $\alpha$-stable à queues lourdes (où $\alpha < 2$), surtout lorsque $\alpha$ est très proche de 2. Dans ce cas limite, les distributions $\alpha$-stables se comportent de manière très similaire aux distributions Gaussiennes, rendant les tests de normalité classiques peu puissants, en particulier pour les petits échantillons. De plus, bien que la statistique de Greenwood modifiée ait été développée pour les variables univariées, son extension au cas multivarié (bivarié) n'avait pas été explorée de manière approfondie.

2. Méthodologie

Les auteurs proposent une approche basée sur une version modifiée de la statistique de Greenwood, initialement conçue pour des variables positives, mais adaptée ici aux variables réelles symétriques.

A. La Statistique de Greenwood Modifiée

Pour un échantillon univarié $X = (X_1, \dots, X_n)$, la statistique est définie comme :
$$S_X = \frac{\sum_{i=1}^n |X_i|^2}{(\sum_{i=1}^n |X_i|)^2}$$
Cette statistique est invariante par échelle et possède une propriété cruciale : elle est stochastiquement décroissante par rapport à l'indice de stabilité $\alpha$ au sein de la classe des distributions $\alpha$-stables symétriques. Cela signifie que plus $\alpha$ est proche de 2 (Gaussien), plus la valeur de la statistique tend à être petite.

B. Extensions au Cas Bivarié

Pour les vecteurs aléatoires bivariés $\vec{X} = (X_1, X_2)$, les auteurs proposent deux extensions de cette statistique :

1. Scénario 1 ($S_1$) : Basé sur la somme des composantes.
   Soit $W_i = X_{1}^{(i)} + X_{2}^{(i)}$. La statistique est calculée sur l'échantillon $W$.

   • Propriété clé : Pour les distributions sous-gaussiennes, $S_1$ est indépendante de la corrélation $\rho$ entre les composantes et conserve la propriété de décroissance stochastique par rapport à $\alpha$.

2. Scénario 2 ($S_2$) : Basé sur la somme des carrés.
   Soit $Y_i = (X_{1}^{(i)})^2 + (X_{2}^{(i)})^2$. La statistique est calculée sur l'échantillon $Y$.

   • Propriété clé : Le comportement de $S_2$ dépend non seulement de $\alpha$, mais aussi d'un paramètre $\beta$ lié aux valeurs propres de la matrice de covariance (et donc à la corrélation $\rho$ et aux variances). Les simulations montrent que pour un $\beta$ fixé, $S_2$ est également décroissante par rapport à $\alpha$.

C. Procédure de Test et d'Estimation

• Tests d'hypothèses : Les auteurs définissent des régions de rejet pour tester $H_0: \alpha = 2$ (Gaussien) contre $H_1: \alpha < 2$. Les quantiles critiques sont estimés via des simulations de Monte Carlo.
• Estimation : En inversant le test, il est possible de construire des intervalles de confiance pour l'indice de stabilité $\alpha$.
• Choix de la statistique : Le choix entre $S_1$ et $S_2$ dépend de la connaissance de la corrélation et de la taille de l'échantillon.

3. Contributions Clés

1. Extension Multivariée : Première application de la statistique de Greenwood modifiée au cadre bivarié (et potentiellement multivarié) pour les distributions sous-gaussiennes.
2. Nouvelle Approche de Test : Introduction de deux statistiques de test ($S_1$ et $S_2$) avec des propriétés théoriques établies (monotonie stochastique) pour distinguer les lois Gaussiennes des lois $\alpha$-stables.
3. Performance Supérieure : Démonstration que la méthode proposée surpasse les tests classiques de normalité multivariée (Jarque-Bera, Henze-Zirkler, Mardia, Royston) dans des situations critiques :
   • Petits échantillons ($n < 30$).
   • Lorsque $\alpha$ est très proche de 2 (différence subtile entre Gaussien et $\alpha$-stable).
4. Méthodologie d'Estimation : Adaptation de la procédure de test pour fournir des intervalles de confiance pour l'indice de stabilité $\alpha$ dans les cas univarié et bivarié.

4. Résultats

Études de Simulation

• Puissance des tests : Les simulations (réalisées sur 10 000 échantillons sous $H_0$ et 1 000 sous $H_1$) montrent que le test $S_1$ est significativement plus puissant que les tests classiques pour de petits échantillons ($n=10$) et lorsque $\alpha \in [1.8, 2]$.
• Impact du paramètre $\beta$ : Pour le test $S_2$, la puissance dépend fortement de la corrélation. Le test $S_1$ est recommandé lorsque la corrélation est inconnue ou lorsque l'échantillon est petit.
• Comparaison : Pour $n=100$, les tests classiques (Kurtosis, Royston) rattrapent ou dépassent légèrement les tests proposés, mais pour les petits échantillons et les cas proches de la normalité, les tests basés sur Greenwood sont supérieurs.

Analyse de Données Réelles

Les auteurs ont appliqué leur méthodologie à des données financières réelles (taux de change USD/PLN et prix du cuivre) provenant d'une entreprise minière (KGHM).

• Prétraitement : Les données ont été segmentées en deux régimes (crise 2008 et marché stable) et un modèle VAR(1) à innovations $\alpha$-stables a été ajusté.
• Résultats :
  • Les intervalles de confiance pour $\alpha$ (calculés par inversion de test) sont strictement inférieurs à 2 pour tous les régimes et variables, confirmant la présence de queues lourdes.
  • Les tests bivariés ($S_1$, $S_2$ et le test de Kurtosis de Mardia) rejettent tous l'hypothèse de normalité bivariée, confirmant que les résidus suivent une loi $\alpha$-stable symétrique avec $\alpha < 2$.

5. Signification et Impact

Cet article apporte une contribution significative à la statistique des distributions à queues lourdes et à l'analyse de données financières et physiques.

• Résolution d'un problème pratique : Il offre un outil efficace pour détecter la non-normalité dans des situations où les écarts sont subtils (proche de 2), ce qui est fréquent en finance et en ingénierie.
• Robustesse aux petits échantillons : La méthode est particulièrement utile lorsque les données sont limitées, un scénario courant dans l'analyse de risques financiers ou la surveillance de l'état des machines.
• Généralisation : En étendant la statistique de Greenwood au cas multivarié, les auteurs ouvrent la voie à de nouvelles applications dans des domaines tels que le traitement du signal, la génomique, la météorologie et la surveillance conditionnelle, où les dépendances multivariées et les queues lourdes sont prévalentes.

En conclusion, la méthodologie proposée constitue une alternative robuste et performante aux tests de normalité traditionnels, capable de mieux caractériser la structure de dépendance et l'indice de stabilité des données complexes.