Elliptical Regularized Hotelling Tests for High-Dimensional Change-Point Detection

तकनीकी सारांश: उच्च-आयामी परिवर्तन-बिंदु पहचान (Change-Point Detection) के लिए दीर्घवृत्तीय नियमितकृत हॉटेलिंग परीक्षण (Elliptical Regularized Hotelling Tests)

समस्या विवरण
यह शोध पत्र उन उच्च-आयामी अनुक्रमों (sequences) में स्थान परिवर्तन (structural breaks) का पता लगाने की चुनौती को संबोधित करता है जहाँ आयाम $p$, नमूना आकार $n$ के बराबर या उससे अधिक होता है। विशिष्ट सेटिंग में ऐसे अवलोकन शामिल हैं जो भारी-पूंछ (heavy-tailed) वाले हैं और जिनमें क्रॉस-सेक्शनल निर्भरता (cross-sectional dependence) मौजूद है। शास्त्रीय लाइकलीहुड-रेशियो (likelihood-ratio) और CUSUM प्रक्रियाएं इस शासन (regime) में विफल हो जाती हैं क्योंकि वे अस्थिर सहप्रसरण अनुमान (covariance estimation) और भारी-पूंछ वाले रेडियल विविधताओं के प्रति संवेदनशील होती हैं। जबकि मौजूदा मजबूत विधियाँ (जैसे, स्थानिक-चिह्न आधारित) भारी-पूंछ को संभालती हैं, वे अक्सर निर्भरता संरचना की उपेक्षा करती हैं या आकार मैट्रिसेस (shape matrices) के नियमितकृत व्युत्क्रमों (regularized inverses) का उपयोग करने में विफल रहती हैं, जिससे उन मामलों में अक्षमता आती है जहाँ परिवर्तन प्रमुख निर्भरता दिशाओं के साथ संरेखित होते हैं। इसके विपरीत, नियमितकृत हॉटेलिंग विधियाँ निर्भरता को अच्छी तरह से संभालती हैं, लेकिन भारी-पूंछ वाले आउटलेर्स (outliers) के प्रति संवेदनशील होती हैं।

कार्यप्रणाली: ERHT
लेखक एलिप्टिकल रेगुलराइज्ड हॉटेलिंग (ERHT) प्रक्रिया प्रस्तावित करते हैं, जो स्थानिक माध्य (spatial medians) को रिज-नियमितकृत व्युत्क्रम सहप्रसरण अनुमान (ridge-regularized inverse covariance estimation) के साथ एकीकृत करती है।

1. मॉडल: डेटा $X_i \in \mathbb{R}^p$ एक दीर्घवृत्तीय मॉडल (elliptical model) का अनुसरण करता है $X_i = \theta_i + \varepsilon_i$, जहाँ $\varepsilon_i = \sqrt{p} R_i \Omega_p^{1/2} G_i / \|G_i\|$ है। यहाँ $R_i$ एक रेडियल चर (संभावित रूप से भारी-पूंछ वाला) है, $\Omega_p$ एक आकार मैट्रिक्स है, और $G_i$ एक मानक गॉसियन वेक्टर है।
2. स्थानीय सांख्यिकी निर्माण:
   • स्थानिक माध्य (Spatial Medians): एक संभावित स्कैन अंतराल को दो आसन्न खंडों में विभाजित करने के लिए, विधि उनके नमूना स्थानिक माध्यों के बीच अंतर $\hat{\Delta}_s = \hat{\theta}_{2,s} - \hat{\theta}_{1,s}$ की गणना करती है। स्थानिक माध्य रेडियल आउटलेर्स के विरुद्ध मजबूती प्रदान करते हैं।
   • सामान्यीकरण (Normalization): कंट्रास्ट को केंद्रित स्थानिक-चिह्न स्कैटर मैट्रिक्स (centered spatial-sign covariance matrix - SSCM) के रिज-नियमितकृत व्युत्क्रम का उपयोग करके मानकीकृत किया जाता है। विशेष रूप से, यदि $\hat{Y}_{i,s}$ केंद्रित डेटा के स्थानिक चिह्न हैं, तो स्कैटर मैट्रिक्स $\hat{R}_s = m_s^{-1} \sum \hat{Y}_{i,s}\hat{Y}_{i,s}^\top$ है। नियमितकृत व्युत्क्रम $\hat{Q}_{\rho,s} = (\hat{R}_s + \rho I_p)^{-1}$ है।
   • रॉ स्टैटिस्टिक (Raw Statistic): $V^{raw}_{\rho}(s) = N_s \hat{\Delta}_s^\top \hat{Q}_{\rho,s} \hat{\Delta}_s$, जहाँ $N_s$ प्रभावी नमूना आकार है।
3. स्टूडेंटाइजेशन (Studentization): स्थानिक माध्यों की गैर-रैखिकता और उच्च-आयामी प्रभावों के कारण, रॉ स्टैटिस्टिक का एक गैर-शून्य नल मीन (null mean) होता है। लेखक सांख्यिकी को अनुमानित करने के लिए इनवर्स-डिस्टेंस वेट्स और एक साथी मैट्रिक्स (companion matrix) का उपयोग करके एक स्कोर प्रतिनिधित्व व्युत्पन्न करते हैं। वे एक स्टूडेंटाइज्ड स्थानीय सांख्यिकी $Z_\rho(s)$ बनाने के लिए रेडमेकर प्रतिनिधित्व (Rademacher representation) पर आधारित सेंट्रिंग ($\hat{\kappa}$) और वेरिएंस ($\hat{\sigma}^2$) मात्राओं को परिभाषित करते हैं।
4. वैश्विक परीक्षण और एकत्रीकरण (Global Testing and Aggregation):
   • एकल-परिवर्तन (Single-Change): वैश्विक सांख्यिकी $S_{sc}(\varepsilon)$ के ऊपर $Z_\rho(s)$ का सुप्रीमतम (supremum) है।
   • बहु-परिवर्तन (Multiple-Change): सांख्यिकी एक तीन-आयामी आसन्न-त्रिक डोमेन (three-dimensional adjacent-triple domain) $S_{mc}(\varepsilon)$ के ऊपर सुप्रीमतम है।
   • अनुकूली एकत्रीकरण (Adaptive Aggregation): पूर्व ज्ञान के बिना इष्टतम रिज पैरामीटर $\rho$ चुनने के लिए, लेखक $\rho$ के मानों के एक परिमित ग्रिड के लिए $p$-मानों की गणना करते हैं और उन्हें कॉची कॉम्बिनेशन रूल (Cauchy combination rule) का उपयोग करके एकत्रित करते हैं। यह जॉइंट गॉसियन सीमा (joint Gaussian limit) के माध्यम से डेटा-अनुकूली परीक्षण को सक्षम बनाता है।
5. विभाजन (Segmentation): बहु-परिवर्तन के लिए, ERHT स्कोर को वाइल्ड बाइनरी सेगमेंटेशन (Wild Binary Segmentation - WBS) ढांचे में शामिल किया जाता है। एल्गोरिदम अंतराल के भीतर सबसे महत्वपूर्ण विभाजन को खोजने, स्थान को परिष्कृत करने और अनावश्यक डिटेक्शन को हटाने के लिए पुनरावर्ती रूप से कार्य करता है।

प्रमुख योगदान

1. एकीकृत स्पर्शोन्मुखी सिद्धांत (Unified Asymptotic Theory): यह शोध पत्र दीर्घवृत्तीय वितरणों के तहत ERHT सांख्यिकी के लिए एक एकीकृत स्पर्शोन्मुखी सिद्धांत स्थापित करता है। यह सिद्धांत निश्चित रिज पैरामीटरों और पैरामीटरों के एक परिमित ग्रिड दोनों को समायोजित करता है, जो स्थानिक माध्यों की गैर-रैखिकता और रिज-नियमितकृत व्युत्क्रम के माध्यम से निर्देशांकों (coordinates) के युग्मन को संभालता है।
2. संयुक्त गॉसियन सीमाएँ (Joint Gaussian Limits): लेखक सिद्ध करते हैं कि स्टूडेंटाइज्ड स्थानीय सांख्यिकी एक केंद्रित गॉसियन प्रक्रिया की ओर अभिसरित (converge) होती है। महत्वपूर्ण रूप से, वे नियमितीकरण पैरामीटरों के एक परिमित ग्रिड पर इन प्रक्रियाओं के संयुक्त अभिसरण (joint convergence) को स्थापित करते हैं। यह परिणाम कॉची संयोजन के माध्यम से एकत्रित $p$-मानों के संयुक्त सीमित वितरण (joint limiting distribution) को प्राप्त करने हेतु एक सैद्धांतिक आधार प्रदान करता है।
3. कैलिब्रेशन और पावर: यह शोध पत्र जॉइंट गॉसियन सीमा के तहत एकत्रित परीक्षण के लिए स्पर्शोन्मुखी रूप से सटीक कैलिब्रेशन प्रदान करता है। यह स्थानीय विकल्पों (जहाँ शिफ्ट $n^{-1/4}$ के रूप में स्केल होती है) के तहत स्थानीय पावर (local power) और मजबूत विकल्पों के तहत निरंतरता (consistency) भी स्थापित करता है।
4. विभाजन की निरंतरता (Consistency of Segmentation): लेखक यह सिद्ध करते हैं कि WBS-ERHT अनुमानक परिवर्तनों के बीच न्यूनतम अंतराल और सिग्नल स्ट्रेंथ की विशिष्ट शर्तों के तहत, परिवर्तनों की संख्या और स्थानों दोनों के लिए सुसंगत (consistent) है।

परिणाम

• सिमुलेशन: व्यापक सिमुलेशन दर्शाते हैं कि विभिन्न दीर्घवृत्तीय वितरणों (गॉसियन, $t_3$, और गॉसियन मिश्रण) के तहत ERHT सटीक रूप से कैलिब्रेटेड है।
• पावर (Power): भारी-पूंछ वाले वितरणों (विशेष रूप से $t_3$ और गॉसियन मिश्रण) के तहत गैर-तुच्छ क्रॉस-सेक्शनल निर्भरता के साथ, ERHT निम्नलिखित से काफी बेहतर प्रदर्शन करता है:
  • सहप्रसरण-आधारित नियमितकृत हॉटेलिंग (RHT), जो भारी-पूंछ के कारण आकार विरूपण (size distortion) और पावर हानि से ग्रस्त है।
  • माध्य-आधारित अनुकूली परीक्षण (DMS0), जो आउटलेर्स के प्रति संवेदनशील है।
  • बिना नियमितीकरण वाले स्थानिक-चिह्न परीक्षण (SSCPD0), जो निर्भरता दिशाओं के साथ संरेखित होने पर दक्षता खो देते हैं।
  • ERHT हल्के टेल (light tails) के तहत प्रतिस्पर्धी पावर बनाए रखता है और भारी-पूंछ के तहत श्रेष्ठ मजबूती (robustness) प्रदान करता है।
• स्थानीयकरण (Localization): परिवर्तन-बिंदु स्थानीयकरण सटीकता के मामले में, ERHT (और इसका WBS विस्तार) भारी-पूंछ वाले एरर और जटिल शेप मैट्रिसेस के तहत प्रतिस्पर्धियों की तुलना में कम त्रुटियां प्रदान करता है।
• वास्तविक डेटा अनुप्रयोग: Fama–French 49 इंडस्ट्री पोर्टफोलियो (1969–2026) का विश्लेषण स्थान अस्थिरता के निरंतर प्रमाण प्रकट करता है। ERHT चार संरचनात्मक विभाजनों की पहचान करता है जो प्रमुख आर्थिक घटनाओं (जैसे, 1973–1975 की मंदी, 1990 के दशक का विस्तार, यूरो-क्षेत्र का संप्रभु जोखिम, और 2020 महामारी/चुनाव) के अनुरूप हैं, जबकि गैर-मजबूत या गैर-नियमितकृत विधियाँ इन विभाजनों को लगातार पहचानने में विफल रहती हैं।

महत्व और दावे
यह शोध पत्र उन सेटिंग्स में उच्च-आयामी परिवर्तन-बिंदु पहचान के लिए एक मजबूत, निर्भरता-जागरूक समाधान प्रदान करने का दावा करता है जहाँ डेटा भारी-पूंछ वाले और सह-संबंधित (correlated) दोनों हैं। स्थानिक माध्य (रेडियल मजबूती के लिए) को विधियों के विधिवत (ridge-regularized) SSCM व्युत्क्रमों (निर्भरता समायोजन के लिए) के साथ जोड़कर, ERHT मजबूत सांख्यिकी और नियमितकृत सहप्रसरण विधियों के बीच के अंतर को पाटता है। इसका सैद्धांतिक योगदान दीर्घवृत्तीय मॉडलों के तहत नियमितकृत सांख्यिकी के लिए कठोर संयुक्त गॉसियन सीमाओं का व्युत्पन्न करना है, जो अनुकूल पैरामीटर चयन के लिए कॉची एकत्रीकरण के उपयोग का समर्थन करता है। लेखक इस बात पर जोर देते हैं कि उनकी विधि "स्पर्शोन्मुखी रूप से सटीक कैलिब्रेशन" प्रदान करती है और "लोकल पावर और सिंगल-चेंज लोकलाइजेशन के लिए गारंटी" देती है, जिससे यह वित्त और जीनोमिक्स जैसे क्षेत्रों में आधुनिक उच्च-आयामी डेटा विश्लेषण के लिए एक व्यवहार्य उपकरण बन जाता है जहाँ ये डेटा विशेषताएँ प्रचलित हैं।