From nonstationarity to stationarity via $1/f$ noise: discrete Fourier transforms and sample mean asymptotics for testing

Résumé technique : De la non-stationnarité à la stationnarité via le bruit 1/f

Énoncé du problème
L'article aborde le défi fondamental de l'analyse des séries temporelles consistant à distinguer la non-stationnarité authentique de la stationnarité à mémoire longue. Les deux phénomènes présentent des autocovariances d'échantillon décroissant lentement et un comportement similaire aux basses fréquences, ce qui rend leur différenciation difficile. Bien qu'une littérature extensive existe pour les processus stationnaires avec un paramètre de mémoire $d \in (-1/2, 1/2)$, et pour les processus non stationnaires avec $d \in [1/2, 3/2)$, le cas limite $d = 1/2$ (connu sous le nom de bruit 1/f ou cas « juste non stationnaire ») présente des difficultés théoriques spécifiques. Les tests existants, tels que le test V/S dans le domaine temporel proposé par Giraitis et al. (2006), souffrent de tailles empiriques gonflées lorsque $d$ approche $1/2$, échouant à distinguer les différences subtiles entre les régimes. De plus, les approches entièrement paramétriques, comme celles de Robinson (1994, 2003), reposent sur des hypothèses spécifiques de filtres linéaires et nécessitent des étapes de pré-blanchiment qui peuvent dégrader les performances lorsque des composantes à courte mémoire sont présentes.

Méthodologie
Les auteurs proposent une procédure de test non paramétrique qui ne nécessite pas l'estimation du paramètre de mémoire $d$. La méthodologie repose sur les composantes théoriques et statistiques suivantes :

1. Cadre asymptotique unifié : L'article dérive la distribution limite conjointe des Transformées de Fourier Discrètes (DFT) d'une série temporelle à un nombre fixe de fréquences de Fourier pour l'ensemble de la plage $d \in (-1/2, 3/2)$. Cela couvre à la fois les régimes stationnaires ($d < 1/2$) et non stationnaires ($d \ge 1/2$), y compris la frontière $d=1/2$.

2. Corrections logarithmiques : Une insight théorique clé est qu'à la frontière $d=1/2$, la normalisation standard est insuffisante pour que la moyenne et la variance d'échantillon admettent des limites non dégénérées. Les auteurs démontrent qu'un facteur de normalisation de $\log(n)$ est requis pour que ces statistiques convergent vers des distributions asymptotiques explicites.

3. Construction de la statistique de test : La statistique de test proposée, $Q_n(s)$, combine trois éléments :

   • La moyenne d'échantillon (spécifiquement une différence de sommes partielles, $D_n$).
   • La variance d'échantillon.
   • Un nombre fini d'ordonnées du périodogramme aux basses fréquences ($I_n(\lambda_j)$).

   La statistique est définie comme suit :
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   où $D_n$ représente la différence entre la moyenne des $m$ premières observations et celle des $m$ dernières observations (avec $m \approx \sqrt{n}$).

Contributions et résultats clés

• Théorème 2.1 (Limite conjointe des DFT) : Établit la normalité asymptotique conjointe des parties réelle et imaginaire des DFT pour les processus avec $d \in (-1/2, 3/2)$. La distribution limite est gaussienne avec une structure de covariance explicite $\Sigma(d)$, qui varie selon que $d$ se situe dans la plage stationnaire, à la frontière ou non stationnaire.
• Théorème 2.2 (Moyenne et variance d'échantillon à $d=1/2$) : Prouve que pour $d=1/2$, la moyenne d'échantillon $\bar{X}_n$ normalisée par $\sqrt{\log(n)}$ converge vers une distribution normale. De plus, il établit que la variance d'échantillon, lorsqu'elle est normalisée par $n \log(n)$, converge vers une constante, et que le rapport du carré de la moyenne à la variance converge vers une distribution $\chi^2(1)$.
• Proposition 3.1 (Distribution limite de la statistique de test) :
  • Sous l'hypothèse nulle ($H_0$ : non-stationnarité avec $d \ge 1/2$ ou tendances déterministes), la statistique $Q_n(s)$ diverge vers l'infini si $d > 1/2$. Si $d = 1/2$, elle converge vers une somme pondérée finie de variables $\chi^2(1)$ indépendantes. Si une tendance déterministe existe, la statistique diverge également.
  • Sous l'hypothèse alternative ($H_1$ : stationnarité avec $d < 1/2$), la statistique converge en probabilité vers 0.
  • Cela permet de construire un test consistant avec une région de rejet $R = \{Q_n(s) < q(\alpha, s)\}$, où $q(\alpha, s)$ est le quantile de la distribution limite sous $d=1/2$.

Résultats de simulation
L'article valide la méthode proposée par le biais de simulations de Monte Carlo extensives comparant $Q_n(s)$ au test de non-stationnarité efficace de Robinson (1994) ($\tilde{r}$) et à sa version pré-blanchie.

• Robustesse à la mémoire courte : La statistique proposée $Q_n(s)$ maintient une bonne puissance et un bon contrôle de la taille même lorsque le processus générateur de données inclut des composantes AR à mémoire courte. En revanche, le test de Robinson $\tilde{r}$ ne fonctionne bien que pour les modèles FARIMA purs mais se détériore considérablement en présence de composantes AR, même avec pré-blanchiment.
• Processus agrégés : Le test reste robuste pour les processus AR(1) à coefficients aléatoires agrégés, qui imitent la mémoire longue mais ne sont pas fractionnaires.
• Ruptures structurelles : Le test détecte avec succès la non-stationnarité résultant de ruptures structurelles déterministes dans la moyenne, alors que le test de Robinson échoue souvent à rejeter l'hypothèse nulle de non-stationnarité dans ces scénarios (acceptant incorrectement l'hypothèse nulle).
• Performance à la frontière : À la frontière critique $d=1/2$, la taille empirique de $Q_n(s)$ reste proche du niveau nominal (par exemple 0,05), tandis que d'autres méthodes présentent souvent des tailles empiriques élevées.

Signification et affirmations
Les auteurs affirment que la contribution principale de ce travail est la dérivation d'un cadre asymptotique unifié pour les DFT à travers les régimes stationnaires et non stationnaires, résolvant spécifiquement le comportement à la frontière $d=1/2$. La statistique de test résultante offre une méthode efficace en calcul, sans paramètre, pour distinguer le comportement stationnaire de la non-stationnarité fractionnaire ou déterministe. Contrairement aux approches précédentes, cette méthode ne repose pas sur des hypothèses paramétriques concernant le filtre linéaire ni n'exige des étapes de pré-blanchiment, la rendant plus robuste aux erreurs de spécification du modèle et aux dynamiques à mémoire courte. L'article présente cela comme une solution à la distinction « subtile » entre comportement stationnaire et non stationnaire près de la frontière du bruit 1/f, fournissant une distribution limite traitable (une somme pondérée de variables $\chi^2$) qui contraste avec les limites d'intégrales stochastiques typiques des tests classiques dans le domaine temporel.