Fractional lower-order covariance-based measures for cyclostationary time series with heavy-tailed distributions: application to dependence testing and model order identification

यहाँ शोध पत्र "Fractional lower-order covariance-based measures for cyclostationary time series with heavy-tailed distributions: application to dependence testing and model order identification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

चक्रीय स्थिरता वाले समय श्रृंखला (Cyclostationary time series) (वे प्रक्रियाएँ जिनके सांख्यिकीय लक्षण आवधिक रूप से बदलते हैं) का पारंपरिक विश्लेषण स्व-सहप्रसरण फलन (autocovariance function - ACVF) और आवधिक सह-संबद्ध (Periodically Correlated - PC) प्रक्रियाओं की अवधारणा पर निर्भर करता है। हालाँकि, ACVF उन प्रक्रियाओं के लिए अपरिभाषित है जिनका अनंत प्रसरण (infinite variance) होता है, जो भारी-पूंछ वाले वितरणों (heavy-tailed distributions) (जैसे कि स्थिरता सूचकांक $\alpha < 2$ वाली $\alpha$-स्थिर वितरण) में सामान्य हैं।

जब डेटा में आउटलेर्स (outliers) होते हैं या वे भारी-पूंछ वाले नियमों का पालन करते हैं, तो शास्त्रीय द्वितीय-क्रम की विधियाँ विफल हो जाती हैं। अनंत-प्रसरण वाली प्रक्रियाओं के लिए मौजूदा विकल्पों (जैसे कोवेरिएशन या कोडिफरेंस) का अन्वेषण किया गया है, लेकिन विशेष रूप से भारी-पूंछ वाले डेटा के लिए डिज़ाइन किए गए चक्रीय स्थिरता (cyclostationary) टूल्स के लिए एक सुदृढ़, समय-डोमेन (time-domain) उपकरणों की कमी है। यह शोध पत्र निम्नलिखित आवश्यकताओं को संबोधित करता है:

1. अनंत-प्रसरण वाली प्रक्रियाओं के लिए चक्रीय स्थिरता की एक कठोर परिभाषा।
2. भारी-पूंछ वाले डेटा के लिए वैध नए निर्भरता माप, जो आवधिक स्व-सहसंबंध फलन (peACF) और आवधिक आंशिक स्व-सहसंबंध फलन (pePACF) के समान हों।
3. इन नए मापों का उपयोग करके निर्भरता परीक्षण (dependence testing) और मॉडल क्रम पहचान (model order identification) (PAR और PMA मॉडल के लिए) के लिए व्यावहारिक विधियाँ।

2. कार्यप्रणाली (Methodology)

2.1. सैद्धांतिक ढांचा: FLOC-Cyclostationarity

लेखक FLOC-cyclostationarity प्रस्तुत करते हैं, जो PC प्रक्रियाओं का एक सामान्यीकरण है। इसमें केवल माध्य और ACVF की आवधिकता की आवश्यकता नहीं होती, बल्कि इसके बजाय माध्य की आवधिकता और फ्रैक्शनल लोअर-ऑर्डर कोवेरिएंस (FLOC) की आवधिकता आवश्यक है।

• FLOC परिभाषा: $a$ ($1 < a \le 2$) तक के परिमित फ्रैक्शनल मोमेंट्स वाली यादृच्छिक चरों $Y_1, Y_2$ के लिए, FLOC को इस प्रकार परिभाषित किया जाता है:
  $$\text{FLOC}(Y_1, Y_2; A, B) = E[Y_1^{\langle A \rangle} Y_2^{\langle B \rangle}]$$
  जहाँ $x^{\langle c \rangle} = |x|^c \text{sgn}(x)$ और $A+B < a$।
• FLOC-Cyclostationary प्रक्रिया: एक प्रक्रिया $\{X_t\}$ FLOC-cyclostationary है यदि $E[X_t]$ और $\text{FLOC}(X_t, X_{t+h})$ आवर्त $T$ के साथ $t$ में आवधिक हैं।

2.2. नए ऑटोडिपेंडेंस माप (New Autodependence Measures)

यह शोध पत्र FLOC से व्युत्पन्न दो नवीन माप प्रस्तावित करता है:

1. पीरियोडिक फ्रैक्शनल लोअर-ऑर्डर ऑटोकोरिलेशन फंक्शन (peFLOACF):
   • यह पीरियोडिक FLOC (peFLOACVF) का एक सामान्यीकृत संस्करण है।
   • इसे प्रसरण के बजाय फ्रैक्शनल लोअर-ऑर्डर मोमेंट (FLOM) (एक चर का स्वयं के साथ FLOC) का उपयोग करके टाइम सीरीज़ को मानकीकृत करके परिभाषित किया गया है।
   • मुख्य गुण: पीरियोडिक मूविंग एवरेज (PMA) मॉडल के लिए, peFLOACF एक "कट-ऑफ" (cut-off) गुण प्रदर्शित करता है, जो लैग $|h| > q$ (मॉडल क्रम) के लिए शून्य हो जाता है। यह MA मॉडल में शास्त्रीय ACF के व्यवहार को दर्शाता है।
2. पीरियोडिक फ्रैक्शनल लोअर-ऑर्डर पार्शियल ऑटोकोरिलेशन फंक्शन (peFLOPACF):
   • इसे FLOC-आधारित Yule-Walker समीकरणों का उपयोग करके प्राप्त किया गया है।
   • मुख्य गुण: पीरियोडिक ऑटोरेग्रेसिव (PAR) मॉडल के लिए, peFLOPACF एक "कट-ऑफ" गुण प्रदर्शित करता है, जो लैग $h > p$ (मॉडल क्रम) के लिए शून्य हो जाता है। यह AR मॉडल में शास्त्रीय PACF के व्यवहार को दर्शाता है।

2.3. प्रस्तावित अनुप्रयोग

इन मापों के आधार पर, लेखक दो एल्गोरिदम विकसित करते हैं:

• निर्भरता के लिए पोर्टमैन्टो टेस्ट (Portmanteau Test): यह निर्धारित करने के लिए एक सांख्यिकीय परीक्षण कि क्या एक चक्रीय स्थिरता वाली श्रृंखला "व्हाइट नॉइज़" (peFLOWN) है या उसमें ऑटोडिपेंडेंस है। यह लैग्स और सीज़न के माध्यम से वर्गित (squared) peFLOACF मानों को एकत्रित करता है, और विश्लेषणात्मक वितरण जटिल होने के कारण क्रिटिकल रीजन स्थापित करने के लिए मोंटे कार्लो सिमुलेशन का उपयोग करता है।
• मॉडल ऑर्डर पहचान (Model Order Identification):
  • PAR क्रम ($p$): उस लैग $h$ को खोजकर पहचाना जाता है जहाँ सैंपल peFLOPACF $\hat{\zeta}_v(h)$ पहली बार कॉन्फिडेंस इंटरवल के भीतर आता है (सांख्यिकीय रूप से महत्वहीन हो जाता है)।
  • PMA क्रम ($q$): उस लैग $h$ को खोजकर पहचाना जाता है जहाँ सैंपल peFLOACF $\hat{\eta}_v(h)$ कट-ऑफ होता है।
  • विधि प्रत्येक चरण $v=1,\dots,T$ के लिए "सीज़नल ऑर्डर्स" $p(v)$ और $q(v)$ निर्धारित करती है, और ग्लोबल ऑर्डर इन सभी का अधिकतम होता है।

3. मुख्य योगदान (Key Contributions)

1. चक्रीय स्थिरता का सामान्यीकरण: FLOC का उपयोग करके अनंत-प्रसरण वाली प्रक्रियाओं के लिए चक्रीयता की अवधारणा को सफलतापूर्वक विस्तारित करता है, जो PC प्रक्रियाओं के लिए एक गणितीय रूप से सुदृढ़ विकल्प प्रदान करता है।
2. नवीन माप: peFLOACF और peFLOPACF पेश करता है, जो भारी-पूंछ वाले चक्रीय डेटा में निर्भरता संरचनाओं की पहचान करने के लिए पहले मजबूत, टाइम-डोमेन टूल्स हैं।
3. व्यावहारिक एल्गोरिदम: भारी-पूंछ वाली चक्रीय श्रृंखलाओं के लिए पूर्ण सांख्यिकीय प्रक्रियाओं का विकास करता है:
   • निर्भरता परीक्षण (Dependence testing)।
   • अनंत प्रसरण वाले PAR और PMA मॉडल के क्रम की पहचान।
4. वैधीकरण: प्रस्तावित विधियों की दक्षता और मजबूती को प्रमाणित करने के लिए व्यापक मोंटे कार्लो सिमुलेशन और एक वास्तविक केस स्टडी प्रदान करता है।

4. परिणाम (Results)

4.1. सिमुलेशन अध्ययन

• निर्भरता परीक्षण: पोर्टमैन्टो टेस्ट ने उच्च अनुभवजन्य शक्ति (empirical power) प्रदर्शित की। शून्य से दूर गुणांकों वाले PAR और PMA मॉडल के लिए, टेस्ट ने लगभग पूर्ण दक्षता (100% पावर) प्राप्त की। शून्य के करीब गुणांकों के लिए दक्षता कम हुई लेकिन बड़े सैंपल साइज ($N_T=1000$ बनाम $N_T=100$) के साथ इसमें काफी सुधार हुआ।
• ऑर्डर पहचान:
  • विधियों ने अधिकांश मामलों में सीज़नल ऑर्डर्स $p(v)$ और $q(v)$ को सही ढंग से पहचाना।
  • प्रदर्शन मॉडल गुणांकों के परिमाण के साथ दृढ़ता से सह-संबंधित था; बड़े गुणांकों से उच्च पहचान सटीकता मिली।
  • peFLOACF और peFLOPACF के प्लॉट में "कट-ऑफ" गुण स्पष्ट रूप से देखा गया, जो सैद्धांतिक अपेक्षाओं की पुष्टि करता है।

4.2. वास्तविक डेटा अनुप्रयोग

• डेटासेट: विटोरिया, ब्राजील से दैनिक औसत PM10 (पार्टिकुलेट मैटर) वायु प्रदूषण डेटा (546 अवलोकन)।
• प्रीप्रोसेसिंग: लॉग-ट्रांसफ़ॉर्मेशन और सेंटरिंग। डेटा में भारी पूंछ (heavy tails) और साप्ताहिक मौसमी (weekly seasonality, $T=7$) देखी गई।
• विश्लेषण:
  • डेटा को सिमेट्रिक $\alpha$-स्टेबल इनोवेशन ($\alpha \approx .1.9$) के साथ एक PAR प्रक्रिया के रूप में मॉडल किया गया।
  • निर्भरता परीक्षण: पोर्टमैटो टेस्ट ने सप्ताह के अधिकांश दिनों के लिए व्हाइट नॉइज़ की शून्य परिकल्पना (null hypothesis) को खारिज कर दिया, जिससे ऑटोडिपेंडेंस की पुष्टि हुई।
  • ऑर्डर पहचान: peFLOPACF प्लॉट्स ने $p=3$ (विशेष रूप से गुरुवार, $v=4$ के लिए) का ग्लोबल ऑर्डर दर्शाया, जबकि अन्य दिनों में कम ऑर्डर देखे गए।
  • मॉडल फिटिंग: एक PAR(3) मॉडल फिट किया गया। अवशेष विश्लेषण (residual analysis) ने पुष्टि की कि अवशेष ऑटोडिपेंडेंस से मुक्त थे (पोर्टमैटो टेस्ट पास किया) और उन्होंने भारी-पूंछ वाला स्वभाव ($\alpha \approx 1.89$) बनाए रखा, जो मॉडल फिट की वैधता सिद्ध करता है।

5. महत्व (Significance)

यह शोध पत्र भारी-पूंछ वाले चक्रीय डेटा के लिए टूल्स प्रदान करके समय श्रृंखला विश्लेषण में एक महत्वपूर्ण अंतर को पाटता है।

• मजबूती (Robustness): यह उन डेटासेट्स के लिए समाधान प्रदान करता है जहाँ शास्त्रीय प्रसरण-आधारित विधियाँ आउटलेर्स या अनंत प्रसरण के कारण विफल हो जाती हैं, जो वित्त, पर्यावरण इंजीनियरिंग और सिग्नल प्रोसेसिंग जैसे क्षेत्रों में एक सामान्य समस्या है।
• विस्तार क्षमता (Extensibility): प्रस्तावित माप शास्त्रीय अवधारणाओं (ACF/PACF) को अनंत-प्रसरण डोमेन में सामान्यीकृत करते हैं, जिससे अभ्यासकर्ताओं को गैर-गाऊसीय (non-Gaussian) डेटा के लिए भी परिचित मॉडल चयन तर्क का उपयोग करने की अनुमति मिलती है।
• व्यावहारिक उपयोगिता: वायु प्रदूषण डेटा पर सफल अनुप्रयोग यह दर्शाता है कि ये सैद्धांतिक विकास वास्तविक दुनिया की समस्याओं (चक्रीय पैटर्न और चरम घटनाओं वाली) में सीधे लागू किए जा सकते हैं।

निष्कर्षतः, लेखकों ने भारी-पूंछ वाली चक्रीय प्रक्रियाओं के विश्लेषण के लिए एक सुदृढ़ ढांचा स्थापित किया है, जो निर्भरता परीक्षण और मॉडल क्रम पहचान के लिए विश्वसनीय माप प्रदान करता है जो गैर-गाऊसीय संदर्भों में मौजूदा विधियों से बेहतर या उनके पूरक हैं।