📊 statistics

White noise testing for functional time series via functional quantile autocorrelation

यह शोध पत्र कार्यात्मक क्वांटाइल ऑटोकोरिलेशन (functional quantile autocorrelation) पर आधारित कार्यात्मक समय श्रृंखला (functional time series) में क्रमिक निर्भरता के लिए एक नवीन, सुदृढ़ गैररेखीय परीक्षण वर्ग प्रस्तुत करता है, जो क्षण विवरण स्थितियों (moment conditions) की आवश्यकता को समाप्त करता है और जटिल निर्भरताओं का पता लगाने तथा आउटलेर्स (outliers) को संभालने में पारंपरिक विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Ángel López-Oriona, Ying Sun, Hanlin Shang

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ángel López-Oriona, Ying Sun, Hanlin Shang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक नदी को देख रहे हैं। सांख्यिकी (statistics) में, हम अक्सर डेटा को उस नदी के दृश्यों की एक श्रृंखला की तरह मानते हैं। कभी-कभी, हम केवल हर दिन दोपहर के समय जल स्तर को देखते हैं (एक एकल संख्या)। लेकिन फंक्शनल डेटा एनालिसिस (functional data analysis) में, हम पूरे दिन के प्रवाह के संपूर्ण आकार को देखते हैं—एक निरंतर वक्र (continuous curve) के रूप में।

यह शोध पत्र पेश करता है कि कैसे एक नया और स्मार्ट तरीका यह जांच सकता है कि क्या ये दैनिक नदी वक्र वास्तव में यादृच्छिक (random/white noise) हैं या वे गुप्त रूप से एक पैटर्न में एक-दूसरे से जुड़े हुए हैं (serial dependence)।

यहाँ उनके नए तरीके का विवरण दिया गया है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "औसत" एक धोखेबाज है

पारंपरिक रूप से, सांख्यिकीविद डेटा में पैटर्न की जाँच करने के लिए औसत (average) और फैलाव (variance/spread) को देखते हैं।

पुराना तरीका: कल्पना कीजिए कि आप केवल औसत हवा की गति को मापकर एक तूफान को समझने की कोशिश कर रहे हैं। यदि हवा आमतौर पर शांत रहती है लेकिन कभी-कभी बहुत तेज़ और खतरनाक झोंके आती है, तो "औसत" शांत दिख सकता है। आप खतरे को मिस कर देते हैं।
दोष: फंक्शनल डेटा (जैसे दैनिक स्टॉक मूल्य वक्र) के लिए मौजूदा परीक्षण (जैसे 'एवरेज' और 'स्प्रेड' पर निर्भर परीक्षण) इन "औसत" और "फैलाव" पर बहुत अधिक निर्भर करते हैं। यदि डेटा में चरम आउटलेयर्स (जैसे अचानक बाजार की गिरावट) या अजीब, गैर-रेखीय (non-linear) पैटर्न हैं, तो ये पुराने परीक्षण अक्सर विफल हो जाते हैं। वे एक धुंधली खिड़की से तूफान को देखने जैसे हैं; वे जटिल, अराजक विवरणों को छोड़ देते हैं।

2. समाधान: "क्वांटाइल एक्सकर्शन" मैप (Quantile Excursion Map)

लेखक एक नया टूल प्रस्तावित करते हैं जिसे फंक्शनल क्वांटाइल ऑटोकोरिलेशन (FQA) कहा जाता है। औसत देखने के बजाय, वे थ्रेशोल्ड (thresholds) और परसेंटाइल्स (percentiles) को देखते हैं।

उपमा: कल्पना कीजिए कि आप नदी को उसकी औसत गहराई से नहीं, बल्कि इस सवाल से ट्रैक कर रहे हैं: "नदी की कितनी प्रतिशत चौड़ाई में पानी 5 फीट से गहरा है?"
यह कैसे काम करता है:
1. वे एक विशिष्ट "ऊंचाई" (एक क्वांटाइल, जैसे 90वां परसेंटाइल) चुनते हैं।
  क 2. वे उस ऊंचाई पर नदी के वक्र के आर-पार एक रेखा खींचते हैं।
2. वे उस नदी के खंड की लंबाई मापते हैं जो उस रेखा के ऊपर है। इसे "एक्सकर्शन सेट" (excursion set) कहा जाता है।
3. वे कई अलग-अलग ऊंचाइयों (बहुत कम से लेकर बहुत उच्च तक) के लिए इसे दोहराते हैं।

अगले दिन के लिए इन "लंबाईओं" में बदलाव को ट्रैक करके, वे देख सकते हैं कि क्या नदी का आकार खुद को एक पैटर्न में दोहरा रहा है, भले ही औसत यादृच्छिक (random) दिखाई दे रहा हो।

3. नया परीक्षण: "सर्वव्यापी" ओम्निबस सांख्यिकी (The "All-Seeing" Omnibus Statistic)

लेखकों ने एक टेस्ट स्टैटिस्टिक (एक गणितीय स्कोर) बनाया है जो इन सभी अलग-अलग मापों को एकत्रित करता है।

रूपक (Metaphor): पुराने परीक्षणों को केवल सामने के दरवाजे की जांच करने वाले सुरक्षा गार्ड के रूप में सोचें। यदि कोई चोर पीछे के रास्ते से घुस आता है, तो गार्ड उसे मिस कर देता है।
नया परीक्षण: यह नया तरीका हर दीवार, फर्श और छत पर लगे कैमरों वाले सुरक्षा तंत्र की तरह है। यह डेटा को हर संभव ऊंचाई और हर संभव थ्रेशोल्ड पर एक साथ जांचता है।
परिणाम: यह एक एकल "ओम्निबस" स्कोर (एक सारांश संख्या) बनाता है जो बताता है: "क्या आज के वक्र और कल के बीच कोई छिपा हुआ संबंध है, चाहे वह कितना भी अजीब या गैर-रेखीय क्यों न हो?"

4. यह गेम-चेंजर क्यों है (मजबूती/Robustness)

शोध पत्र इस नए परीक्षण की दो बड़ी शक्तियों को उजागर करता है:

यह "चीखने वाले" आउटलेयर्स को अनदेखा करता है: यदि किसी दिन नदी में एक विशाल, असामान्य लहर (आउटलेयर) आती है, तो पारंपरिक परीक्षण भ्रमित हो जाते हैं और सोच सकते हैं कि पूरा सिस्टम टूट गया है। यह नया परीक्षण "रोबस्ट" (robust) है, जिसका अर्थ है कि यह उस एक पागल उछाल को अनदेखा कर सकता है और अभी भी अंतर्निहित पैटर्न को देख सकता है। यह एक 'नॉइज़-कैंसलिंग हेडफ़ोन' की तरह है जो अचानक आई चीख को फ़िल्टर कर देता है ताकि आप संगीत सुन सकें।
यह "फुसफुसाहट" को पकड़ता है: कभी-कभी, दिनों के बीच का संबंध बहुत सूक्ष्म होता है और डेटा के वितरण के सिरों (tails) में छिपा होता है। पुराने परीक्षण इन फुसफुसाहटों को मिस कर देते हैं; यह नया परीक्षण उन्हें सुन लेता है।

5. प्रमाण: सिमुलेशन और वास्तविक पैसा

लेखकों ने केवल बातें नहीं कीं; उन्होंने इसका परीक्षण किया:

लैब टेस्ट (सिमुलेशन): उन्होंने हर तरह की समस्याओं वाले नकली डेटा बनाए: भारी टेल (heavy tails), अजीब स्पाइक्स और ऊबड़-खाबड़, टेढ़ी-मेढ़ी रेखाएं। नया परीक्षण लगातार उन पैटर्न को ढूंढ निकालता है जिन्हें पुराने परीक्षण मिस कर गए। वास्तव में, कुछ "रफ" परिदृश्यों में, पुराने परीक्षण पूरी तरह से विफल रहे (जैसे टूटा हुआ दिशा सूचक यंत्र), जबकि नया वाला पूरी तरह से काम करता रहा।
वास्तविक दुनिया का परीक्षण (स्टॉक मार्केट): उन्होंने इसे इंट्राडे स्टॉक प्राइसेस (Google और Meta जैसी कंपनियों के मिनट-दर-मिनट कीमतें) पर लागू किया।
- निष्कर्ष: स्टॉक मार्केट का डेटा अव्यवस्थित है, स्पाइक्स से भरा है और इसमें भारी टेल (heavy-tailed) है। नए परीक्षण ने डेटा में मजबूत, छिपे हुए निर्भरता के पैटर्न खोजे जिन्हें अन्य तरीकों ने मिस कर दिया था। इसने सफलतापूर्वक पता लगाया कि बाजार केवल यादृच्छिक शोर (random noise) नहीं है; इसमें जटिल, गैर-रेखीय लय (rhythms) मौजूद हैं।

सारांश

यह शोध पत्र फंक्शनल टाइम सीरीज़ के लिए एक अत्यंत मजबूत जासूस (super-robust detective) पेश करता है।

पुराना जासूस: औसत को देखता है। अजीब चीजों को मिस कर देता है। आउटलेयर्स से भ्रमित हो जाता है।
नया जासूस (FQA): हर स्तर पर डेटा के आकार को देखता है। शोर को अनदेखा करता है। उन छिपे हुए, जटिल संबंधों को ढूंढ निकालता है जिन्हें दूसरे मिस कर देते हैं।

लेखक निष्कर्ष निकालते हैं कि यह टूल उन सभी के लिए आवश्यक है जो जटिल, वास्तविक दुनिया के डेटा (जैसे मौसम, जीव विज्ञान या वित्त) का विश्लेषण कर रहे हैं जहाँ डेटा पूरी तरह से सुचारू या सामान्य नहीं है, और जहाँ एक छिपे हुए पैटर्न को मिस करना महंगा हो सकता है।

तकनीकी सारांश: कार्यात्मक क्वांटाइल ऑटोकोरिलेशन के माध्यम से कार्यात्मक समय श्रृंखला के लिए व्हाइट नॉइज़ परीक्षण

समस्या विवरण
यह शोध पत्र कार्यात्मक समय श्रृंखला (functional time series) में क्रमिक निर्भरता (serial dependence) का पता लगाने की चुनौती को संबोधित करता है, विशेष रूप से उस शून्य परिकल्पना (null hypothesis) का परीक्षण करता है जहाँ अनुक्रम $\{X_t, t \in \mathbb{Z}\}$ एक हिल्बर्ट स्पेस $L^2([0, 1])$ में एक स्वतंत्र और समान रूप से वितरित (i.i.d.) अनुक्रम (स्ट्रॉन्ग व्हाइट नॉइज़) है। इस कार्य के लिए मौजूदा पद्धतियाँ मुख्य रूप से द्वितीय-क्रम संरचनाओं (second-order structures) पर निर्भर करती हैं, जैसे कि कोवेरिएंस ऑपरेटर्स, लीनियर फंक्शनल ऑटोकोरिलेशन फंक्शन्स (FACF), या प्रिंसिपल कंपोनेंट्स पर प्रोजेक्शन। लेखक तर्क देते हैं कि इन पारंपरिक दृष्टिकोणों की महत्वपूर्ण सीमाएँ हैं: वे आउटलेर्स (outliers) और हेवी-टेल्ड नॉइज़ (heavy-tailed noise) के प्रति संवेदनशील हैं, और वे मुख्य रूप से माध्य-कोवेरिएंस संरचना के भीतर रैखिक निर्भरताओं को कैप्चर करते हैं। फलस्वरूप, वे जटिल, गैर-रैखिक क्रमिक निर्भरता का पता लगाने में विफल हो सकते हैं, विशेष रूप से तब जब निर्भरता कंडिशनल डिस्ट्रीब्यूशन के विशिष्ट क्षेत्रों या कार्यात्मक अवलोकनों की पूंछ (tails) में केंद्रित होती है।

कार्यप्रणाली
प्रस्तावित कार्यप्रणाली फंक्शनल क्वांटाइल ऑटोकोरिलेशन (FQA) ढांचे पर आधारित एक नवीन श्रेणी के गैर-रैखिक परीक्षणों को पेश करती है।

फंक्शनल क्वांटाइल ऑटोकोवेरिएंस और FQA:
इस पद्धति का मूल क्वांटाइल-परिभाषित एक्सकर्शन सेट्स (excursion sets) के उपयोग पर आधारित है। एक क्वांटाइल स्तर $\tau \in (0, 1)$ के लिए, फंक्शनल क्वांटाइल कर्व $q_\tau(u)$ को बिंदुवार (pointwise) परिभाषित किया जाता है। एक एक्सकर्शन सेट $A_t^\tau$ उन बिंदुओं का सेट है जहाँ देखा गया कर्व $X_t(u)$ , क्वांटाइल कर्व $q_\tau(u)$ से नीचे स्थित होता है। यह विधि इन सेट्स के लेबेग मेजर (Lebesgue measure) $L(A_t^\tau)$ को मापती है।
फंक्शनल क्वांटाइल ऑटोकोवेरिएंस, $\gamma(\tau, \tau', l, \beta, \beta')$ , इस बात के बीच कोवेरिएंस है कि लैग $l$ पर एक्सकर्शन सेट्स के लेबेग मेजर विशिष्ट थ्रेशोल्ड $\beta$ और $\beta'$ से नीचे गिरते हैं या नहीं। FQA, $\rho$ , इस कोवेरिएंस का सामान्यीकृत (normalized) संस्करण है। महत्वपूर्ण रूप से, यह ढांचा सीमित मोमेंट स्थितियों (finite moment conditions) की आवश्यकता नहीं करता है, जो इसे हेवी-टेल्स और आउटलेर्स के प्रति सुदृढ़ (robust) बनाता है।
ओम्निबस टेस्ट स्टैटिस्टिक (Omnibus Test Statistic):
पैरामीटर्स की एक श्रृंखला में जानकारी को एकत्रित करने के लिए, लेखक एक ओम्निबस टेस्ट स्टैटिस्टिक, $W_T(l)$ (या इसका विविक्त संस्करण $S_T(l)$ ) प्रस्तावित करते हैं, जो संभाव्यता स्तरों ( $\tau, \tau'$ ) और थ्रेशोल्ड्स ( $\beta, \beta'$ ) के एक ग्रिड पर अनुमानित FQA के वर्ग को एकीकृत करता है। यह सांख्यिकी कार्यात्मक डेटा के संपूर्ण वितरण में निर्भरता संकेतों को एकत्रित करती है, न कि केवल माध्य पर ध्यान केंद्रित करती है।
एसिम्प्टोटिक थ्योरी (Asymptotic Theory):
लेखक दो परिदृश्यों के तहत प्रस्तावित सांख्यिकी के एसिम्प्टोटिक गुणों को स्थापित करते हैं:

ज्ञात क्वांटाइल कर्व्स: i.i.d. फंक्शनल व्हाइट नॉइज़ की शून्य परिकल्पना के तहत, सैंपल FQA एक सामान्य वितरण (normal distribution) की ओर अभिसरित (converge) होता है, और ओम्निबस सांख्यिकी स्वतंत्र ची-स्क्वायर वेरिएबल्स के एक भारित योग (weighted sum) की ओर अभिसरित होती है।
अनुमानित क्वांटाइल कर्व्स: लेखक सिद्ध करते हैं कि वास्तविक क्वांटाइल कर्व्स के स्थान पर सुसंगत एम्पिरिकल अनुमानकों (consistent empirical estimators) का उपयोग करने से, बशर्ते कि विशिष्ट रेगुलैरिटी स्थितियाँ (क्वांटाइल कर्व्स की यूनिफॉर्म कंसिस्टेंसी और एक्सकर्शन इंडिकेटर्स की स्थिरता) पूरी हों, एसिम्प्टोटिक वितरण में कोई परिवर्तन नहीं होता है।
कंसिस्टेंसी (Consistency): स्ट्रिक्ट स्टेशनैरिटी और एर्गोडिसिटी के तहत, परीक्षण को उन निश्चित विकल्पों (fixed alternatives) के विरुद्ध सुसंगत दिखाया गया है जहाँ क्रमिक निर्भरता मौजूद होती है।

प्रमुख योगदान

नवीन ढांचा: यह शोध पत्र FQA के उपयोग को कंप्यूटेशनल क्लस्टरिंग से आगे बढ़ाकर हाइपोथीसिस टेस्टिंग के लिए औपचारिक रूप देता है। यह एक कठोर अनुमान ढांचा प्रदान करता है जो द्वितीय-क्रम मोमेंट्स के बजाय क्वांटाइल-परिभाषित एक्सकर्शन सेट्स के माध्यम से निर्भरता को कैप्चर करता है।
सुदृढ़ता (Robustness): यह कार्यप्रणाली स्पष्ट रूप से मोमेंट धारणाओं से बचती है, जिससे यह हेवी-टेल्ड नॉइज़ या अनंत विचरण (infinite variance) वाले प्रोसेस के लिए वैध हो जाती है, जहाँ पारंपरिक ऑटोकोवेरिएंस-आधारित परीक्षण अक्सर विफल हो जाते हैं।
ओम्निबस स्टैटिस्टिक निर्माण: लेखक क्वांटाइल स्तरों और थ्रेशोल्ड्स के ग्रिड पर निर्भरता जानकारी को एकत्रित करने के लिए एक व्यापक टेस्ट स्टैटिस्टिक का निर्माण करते हैं, जिससे उन जटिल, गैर-रैखिक निर्भरताओं का पता लगाना संभव होता है जिन्हें विशिष्ट लैग्स या लीनियर कोरलेशन पर ध्यान केंद्रित करने वाले परीक्षणों द्वारा छोड़ा जा सकता है।
सैद्धांतिक गारंटी: शोध पत्र दोनों ज्ञात और अनुमानित क्वांटाइल कर्व्स के तहत टेस्ट स्टैटिस्टिक्स के एसिम्प्टोटिक वितरण को प्राप्त करता है और माइल्ड स्टेशनैरिटी और एर्गोडिसिटी धारणाओं के तहत इसकी कंसिस्टेंसी स्थापित करता है।

अनुभवजन्य परिणाम (Empirical Results)
लेखक कार्यप्रणाली का मूल्यांकन करने के लिए व्यापक सिमुलेशन और एक वास्तविक दुनिया के अनुप्रयोग का संचालन करते हैं:

सिमुलेशन स्टडी (साइज): स्ट्रॉन्ग व्हाइट नॉइज़ की शून्य परिकल्पना के तहत, प्रस्तावित परीक्षण विभिन्न परिदृश्यों, जिनमें ब्राउनियन मोशन, गॉसियन नॉइज़, हेवी-टेल्ड स्टूडेंट-टी नॉइज़ और कॉची-ड्रिवन प्रोसेस शामिल हैं, में नाममात्र स्तरों (0.05 और 0.01) के करीब अनुभवजन्य आकार (empirical sizes) बनाए रखता है। इसके विपरीत, प्रतिस्पर्धी विधियाँ (FPC, FACF, SDO, FSACF) खराब साइज कंट्रोल प्रदर्शित करती हैं, विशेष रूप से उन परिदृश्यों में जहाँ डिस्कंटीन्यूअस पाथ या हेवी टेल्स होते हैं (जैसे, SDO और FACF गंभीर ओवर-रिजेक्शन या अंडर-रिजेक्शन दिखाते हैं)।
सिमुलेशन स्टडी (पावर): क्रमिक निर्भरता (लीनियर और थ्रेशोल्ड फंक्शनल ऑटोरेग्रेसिव मॉडल) वाले परिदृश्यों में, प्रस्तावित ओम्निबस टेस्ट ने प्रतिस्पर्धियों की तुलना में बेहतर पावर प्रदर्शित की। इसने हेवी-टेल्ड नॉइज़ और आउटलेर्स वाले सेटिंग्स में भी सफलतापूर्वक निर्भरता का पता लगाया जहाँ अन्य परीक्षण विफल रहे। विशेष रूप से, परीक्षण स्पाइक्स (spikes) से दूषित डेटा के प्रति भी सुदृढ़ रहा, जबकि FACF और SDO की पावर काफी कम हो गई।
कंप्यूटेशनल दक्षता: प्रस्तावित परीक्षण ने प्रतिस्पर्धी स्पेक्ट्रल और गोलाकार (spherical) विधियों की तुलना में नमूना आकार के साथ कुशलतापूर्वक स्केल करते हुए उचित कंप्यूटेशनल समय प्रदर्शित किया।
वित्तीय डेटा पर अनुप्रयोग: विधि को छह S&P 500 कंपनियों के इंट्राडे लॉग-रिटर्न्स पर लागू किया गया। प्रस्तावित परीक्षण ने लैग 1 से 10 तक महत्वपूर्ण क्रमिक निर्भरता का लगातार पता लगाया (p-values $\approx 0$ ), जबकि प्रतिस्पर्धी परीक्षण विषम परिणाम देते हैं, जो अक्सर विशिष्ट श्रृंखलाओं में निर्भरता का पता लगाने में विफल रहते हैं। लेखक नोट करते हैं कि परीक्षण ने लंबे लैग्स पर भी निर्भरता का पता लगाया, जो टेम्पोरल ऑर्डर को बदलने पर समाप्त हो गया, जो वित्तीय डेटा में वास्तविक गैर-रैखिक और टेल डिपेंडेंस संरचनाओं का सुझाव देता है।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित FQA-आधारित ओम्निबस टेस्ट कार्यात्मक समय श्रृंखला विश्लेषण के टूलकिट का विस्तार करता है, जो उन सेटिंग्स में एक सुदृढ़ ढांचा प्रदान करता है जहाँ पारंपरिक तरीके विफल हो सकते हैं। इसका प्राथमिक महत्व इसकी क्षमता में निहित है:

जटिल, गैर-रैखिक क्रमिक निर्भरता का पता लगाना जिसे लीनियर कोरलेशन या द्वितीय-क्रम सारांश द्वारा कैप्चर नहीं किया जा सकता है।
बिना सीमित मोमेंट स्थितियों की आवश्यकता के प्रभावी ढंग से संचालित होना, जो इसे आउटलेर्स और हेवी टेल्स वाले डेटा के लिए उपयुक्त बनाता है।
उच्च-आवृत्ति वाले वित्तीय डेटा और अन्य अनुप्रयोगों के लिए विश्वसनीय डायग्नोस्टिक्स प्रदान करना जहाँ डेटा रफनेस (roughness) या चरम मान प्रदर्शित कर सकता है।

लेखक इस कार्य को एक आधारभूत कदम के रूप में देखते हैं, जो कार्यात्मक डेटा के लिए इंडिपेंडेंस टेस्टिंग में क्वांटाइल-आधारित एक्सकर्शन सेट्स की उपयोगिता के प्रारंभिक लेकिन मजबूत प्रमाण प्रदान करता है, साथ ही भविष्य के शोध के लिए डेटा-संचालित क्वांटाइल ग्रिड चयन और पोर्टमैंटो विस्तार (portmanteau extensions) की संभावनाओं को स्वीकार करता है।