Résumé Technique : Une Nouvelle Approche de la Qualité d'Ajustement pour les Processus de Markov Ergodiques

1. Énoncé du Problème

L'article traite du défi que représente l'évaluation de la qualité d'ajustement (goodness of fit) des modèles stochastiques dynamiques, plus précisément des processus de Markov ergodiques, sans nécessifier la spécification d'une hypothèse alternative. Dans de nombreuses applications économétriques et financières (par exemple, l'évaluation de dérivés de taux d'intérêt), la fiabilité des résultats des modèles dépend de la cohérence entre la dynamique impliquée par le modèle et les séries temporelles observées.

Les tests de spécification classiques nécessitent souvent une hypothèse alternative spécifique, ce qui est fréquemment indisponible ou théoriquement sous-spécifié dans des contextes dynamiques complexes. Bien que des tests de qualité d'ajustement existants (ex. Aït-Sahalia, 1996 ; Cramér-von Mises) soient disponibles, ils présentent des limites :

• Aït-Sahalia (1996) : Repose sur l'estimation de la densité par noyau non paramétrique, ce qui souffre de la « malédiction de la dimensionnalité » (la performance se dégrade rapidement à mesure que la dimension de l'espace d'état augmente) et nécessite la sélection de paramètres de lissage.
• Cramér-von Mises : Compare généralement des fonctions de répartition (CDF) plutôt que des densités, ce qui peut être difficile à motiver dans des contextes de théorie de la décision où les agents optimisent en fonction de fonctions de perte impliquant des densités.
• Biais en Échantillon Fini : Les tests existants basés sur les distributions stationnaires peuvent présenter des distorsions de taille dans les échantillons finis en raison de la convergence lente des estimateurs non paramétriques ou de la dépendance aux distributions asymptotiques qui ignorent les propriétés de séries temporelles.

Les auteurs recherchent un test qui compare les données à une classe de modèles sur la base de leurs densités stationnaires, ne nécessite aucun paramètre de lissage, maintient sa puissance contre les alternatives locales quel que soit la dimension de l'espace d'état, et tient compte des propriétés de séries temporelles du processus.

2. Méthodologie : Le Test LAE

Les auteurs proposent le test de l'estimateur de regard en avant (Look-Ahead Estimator ou LAE). L'intuition centrale est de comparer la densité stationnaire théorique du modèle de l'hypothèse nulle contre un estimateur spécifique dérivé des données, sans utiliser de lissage non paramétrique.

2.1. L'Hypothèse Nulle Simple

Considérons un noyau de densité de transition de Markov $p(x, y)$ possédant une densité stationnaire unique $\psi(y)$. Par définition, $\psi$ satisfait l'équation intégrale :
$$\int p(x, y)\psi(x)dx = \psi(y)$$
Étant donné une série temporelle $\{X_t\}_{t=1}^n$, les auteurs définissent un estimateur de densité de « regard en avant » :
$$\hat{\psi}_n(y) = \frac{1}{n} \sum_{t=1}^n p(X_t, y)$$
Sous l'hypothèse nulle que les données sont générées par $p$, la séquence $\{X_t\}$ est stationnaire avec une densité $\psi$. Par le théorème d'ergodicité, $\hat{\psi}_n(y)$ converge vers $\psi(y)$. La statistique de test mesure l'écart $L^2$ entre cet estimateur et la densité théorique :
$$T_n = \frac{1}{n} \int \left( \sum_{t=1}^n \bar{p}(X_t, y) \right)^2 dy$$
où $\bar{p}(x, y) = p(x, y) - \psi(y)$.

2.2. Théorie Asymptotique

L'article établit que sous l'hypothèse d'ergodicité géométrique et de conditions de mélange spécifiques (mélange V), la somme normalisée converge en distribution vers un processus gaussien centré dans l'espace de Hilbert $L^2$ :
$$n^{-1/2} \sum_{t=1}^n \bar{p}(X_t, \cdot) \xrightarrow{d} N(0, \Lambda)$$
Par conséquent, la statistique de test $T_n$ converge vers une somme pondérée de variables chi-deux :
$$T_n \xrightarrow{d} \sum_{\ell=1}^\infty \lambda_\ell Z_\ell^2$$
où $\{\lambda_\ell\}$ sont les valeurs propres de l'opérateur de covariance $\Lambda$, qui dépend explicitement de la structure de corrélation sérielle du processus sous l'hypothèse nulle. Cela distingue le test LAE de celui d'Aït-Sahalia, où la distribution asymptotique dépend uniquement de la distribution stationnaire, ce qui peut causer un biais de taille.

2.3. Hypothèse Nulle Composée et Paramètres Estimés

Pour les applications pratiques où les paramètres $\theta$ sont inconnus, les auteurs étendent le test à une famille paramétrique $p(\theta, x, y)$. La statistique de test utilise un estimateur $\hat{\theta}_n$ consistant à $\sqrt{n}$ :
$$\hat{T}_n = \frac{1}{n} \int \left( \sum_{t=1}^n \bar{p}(\hat{\theta}_n, X_t, y) \right)^2 dy$$
La distribution asymptotique est ajustée pour tenir compte de la randomisation de $\hat{\theta}_n$, résultant en un nouvel opérateur de covariance $\Sigma_\theta$. Les valeurs critiques sont calculées via une simulation de Monte Carlo (Algorithme 2), qui simule le processus sous l'hypothèse nulle, ré-estime les paramètres et calcule la statistique de test pour approximer la distribution de $\hat{T}_n$.

2.4. Alternatives Locales

L'article prouve que le test possède une puissance non triviale contre les alternatives locales de type $1/\sqrt{n}$. En utilisant la notion de contiguïté de Le Cam, il est démontré que sous les alternatives locales $p_n = p + k/\sqrt{n}$, la statistique de test converge vers une distribution gaussienne non centrée, garantissant que le test peut détecter des écarts de l'ordre de $O(n^{-1/2})$.

3. Contributions Clés et Résultats

3.1. Avantages Théoriques

• Absence de Paramètres de Lissage : Contrairement à Aït-Sahalia (1996), le test LAE ne nécessite pas de sélection de la fenêtre de lissage (bandwidth), éliminant ainsi une source de biais en échantillon fini et de dépendance vis-à-vis de l'utilisateur.
• Dimensionnalité : Le test est formulé pour des espaces de mesure arbitraires. La performance théorique ne se dégrade pas avec la dimension de l'espace d'état, contrairement aux méthodes de noyaux non paramétriques.
• Dépendance des Séries Temporelles : La distribution asymptotique incorpore explicitement les propriétés de séries temporelles (corrélation sérielle) du processus sous l'hypothèse nulle, traitant ainsi une source connue de distorsion de taille dans les tests précédents.
• Consistance : Bien que le test ne soit pas consistant contre toutes les alternatives (spécifiquement, il ne peut pas distinguer des modèles partageant les mêmes densités stationnaires), il est consistant contre les alternatives où la distribution stationnaire diffère, à condition que l'espace des paramètres soit borné et que les conditions de régularité standards soient respectées.

3.2. Performance en Échantillon Fini (Preuves de Monte Carlo)

Les auteurs revisitent les expériences de Pritsker (1998) comparant les modèles de taux d'intérêt (Vasicek vs CIR) :

• Distorsion de Taille : Dans une simulation du modèle Vasicek (taille d'échantillon $n=264$), le test d'Aït-Sahalia a rejeté la véritable hypothèse nulle plus de 50 % du temps en utilisant les valeurs critiques asymptotiques. Le test LAE n'a rejeté la véritable hypothèse nulle que 4,1 % du temps, résolvant efficacement la distorsion de taille.
• Puissance : Lors du test de Vasicek contre une alternative CIR, le test LAE a montré des améliorations modestes de puissance par rapport aux tests d'Aït-Sahalia et de Cramér-von Mises. Cependant, les auteurs notent que tous les tests basés sur la densité stationnaire ont été surpassés par un test de moment conditionnel spécifiquement conçu pour l'alternative CIR. Cela suggère que la faible puissance des tests basés sur la densité dans ce cas précis provient du fait que la distribution stationnaire du CIR est bien approximée par la famille de Vasicek, plutôt que d'une imprécision d'estimation.
• Robustesse : Lorsque l'alternative impliquait des chocs à queues lourdes (non gaussiens), le test LAE a surpassé le test de moment conditionnel, démontrant que les tests basés sur la densité peuvent être plus robustes lorsque l'alternative est inconnue ou complexe.

3.3. Application Empirique

Le test a été appliqué aux taux de croissance du PIB des États-Unis et du Canada pour tester les écarts par rapport à un modèle AR(1) gaussien linéaire.

• Résultats : Le test LAE a rejeté l'hypothèse nulle gaussienne linéaire pour les données américaines aux niveaux de 5 % et 10 %, alors que le test LST (Luukkonen et al., 1988), qui cible des non-linéarités spécifiques dans la moyenne, ne l'a pas fait.
• Interprétation : Les auteurs suggèrent que les données américaines contiennent des écarts (potentiellement des erreurs non gaussiennes) que le test LST n'est pas conçu pour détecter, soulignant la capacité du test LAE à capturer des spécifications erronées de la distribution de manière générale.

4. Signification et Revendications

L'article prétend apporter une « nouvelle perspective » sur la qualité d'ajustement pour les processus de Markov ergodiques. Sa principale importance réside dans :

1. Résolution de la Distorsion de Taille : En évitant le lissage non paramétrique et en tenant compte de la dépendance des séries temporelles, le test LAE offre un contrôle de taille plus fiable en échantillon fini par rapport à Aït-Sahalia (1996).
2. Flexibilité sans Spécification : Il permet aux chercheurs de tester une classe paramétrique de modèles sans avoir besoin de spécifier une hypothèse alternative particulière, concentrant la puissance sur les écarts dans la distribution stationnaire.
3. Rigueur Théorique : Il fournit un cadre asymptotique rigoureux pour les tests de densité dans des contextes de données dépendantes, incluant des preuves pour la puissance locale et la consistance sous paramètres estimés.

Les auteurs restent modestes quant à l'universalité du test, reconnaissant qu'il ne peut pas distinguer les modèles partageant la même densité stationnaire et que sa puissance est concentrée sur les mésappariements de la distribution stationnaire. Ils suggèrent que des travaux futurs pourraient explorer des fonctions de pondération pour cibler des alternatives spécifiques, mais ne proposent pas d'applications spécifiques au-delà des exemples empiriques fournis.