Real-time monitoring with RCA models

Sintesi Tecnica: Monitoraggio in Tempo Reale con Modelli RCA

Problematica
Il documento affronta la sfida del rilevamento online e in tempo reale di punti di cambiamento (changepoints) nella persistenza e nei cambiamenti di regime (ad esempio, da stazionarietà a esplosività o viceversa) all'interno di serie temporali. Le applicazioni tradizionali in ambito finanziario ed epidemiologico spesso comportano periodi di fluttuazioni "lievi" seguiti da una crescita esplosiva (bolle, pandemie) o improvvisi crolli. Sebbene la letteratura esistente offra metodi robusti di rilevamento ex-post e alcune procedure in tempo reale basate su modelli Autoregressivi (AR), questi spesso si affidano a statistiche CUSUM non pesate che non garantiscono un tempo di rilevamento ottimale. Inoltre, molti metodi di monitoraggio sequenziale esistenti per i modelli Random Coefficient Autoregressive (RCA) assumono la stazionarietà, rendendoli incapaci di rilevare transizioni verso o da regimi esplosivi. Gli autori mirano a colmare questa lacuna sviluppando un framework di monitoraggio che funzioni indipendentemente dal fatto che il processo sottostante sia stazionario, non stazionario o esplosivo, e senza richiedere la conoscenza preventiva del regime.

Metodologia
Gli autori propongono una famiglia di statistiche pesate basate sul processo Cumulative Sum (CUSUM) dei residui di Weighted Least Squares (WLS) derivati da un modello RCA. Il modello principale è definito come:
$$y_i = (\beta_i + \epsilon_{i,1})y_{i-1} + \epsilon_{i,2}$$
dove $\beta_i$ è il parametro autoregressivo. La metodologia si estende includendo regressori esogeni ($x_i$) in un modello dinamico:
$$y_i = (\beta_i + \epsilon_{i,1})y_{i-1} + \lambda_0^\top x_i + \epsilon_{i,2}$$

La procedura di rilevamento opera come segue:

1. Fase di Training: Un estimatore WLS ($\hat{\beta}_m$) viene calcolato utilizzando un campione di addestramento $\{y_1, \dots, y_m\}$.
2. Fase di Monitoraggio: Man mano che arrivano nuovi dati, viene costruito un rilevatore basato sulla somma pesata dei residui. Gli autori definiscono due tipi di rilevatori:
   • CUSUM Standard: $Z_m(k) = \left| \sum_{i=m+1}^{m+k} (y_i - \hat{\beta}_m y_{i-1}) \frac{y_{i-1}}{1+y_{i-1}^2} \right|$
   • Page-CUSUM: $Z_m^\dagger(k) = \max_{1 \le \ell \le k} \left| \sum_{i=m+\ell}^{m+k} (y_i - \hat{\beta}_m y_{i-1}) \frac{y_{i-1}}{1+y_{i-1}^2} \right|$
     Il Page-CUSUM è progettato per cercare lo "scenario peggiore" ad ogni punto temporale per ridurre il ritardo di rilevamento.
3. Schemi di Pesatura: I rilevatori sono confrontati con una funzione di confine $g_{m,\psi}(k)$ che include un parametro di pesatura $\psi \in [0, 1/2]$.
   • $\psi < 1/2$: CUSUM pesato.
   • $\psi = 1/2$: CUSUM standardizzato (pesi proporzionali alla deviazione standard).
4. Orizzonti di Monitoraggio: Il framework copre sia il monitoraggio "open-ended" (indefinito) che quello "closed-ended" (con arresto a un tempo prestabilito $m^*$), inclusi i casi in cui $m^*$ è molto breve rispetto al campione di training ($m^* = o(m)$).

Contributi Chiave
Il documento apporta cinque contributi primari alla letteratura sul rilevamento dei changepoint online:

1. Distribuzioni Limite per Casi Closed-Ended: Gli autori derivano la distribuzione limite delle statistiche del test per il caso closed-ended. Essi osservano che la pratica standard utilizza spesso valori critici open-ended per test closed-ended (una scelta conservativa), il che porta a una perdita di potenza. Le distribuzioni derivate permettono valori critici più precisi.
2. Orizzonti di Monitoraggio Brevi: Adattano la funzione di confine e derivano la distribuzione limite per orizzonti di monitoraggio "molto brevi" ($m^* = o(m)$), uno scenario precedentemente non affrontato nella letteratura ma praticamente rilevante per i ricercatori che desiderano riavviare le procedure dopo brevi intervalli.
3. Miglioramento dei Valori Critici per il CUSUM Standardizzato: Per il caso $\psi = 1/2$, i valori critici asintotici standard (basati sulla Distribuzione dei Valori Estremi) convergono lentamente e sono imprecisi nei campioni finiti. Gli autori propongono un'approssimazione di tipo Darling-Erdős (Equazione 3.8) che offre un controllo della dimensione e una precisione superiori anche in piccoli campioni.
4. Teoria del Page-CUSUM Pesato: Derivano la distribuzione limite per le statistiche del Page-CUSUM pesato, dimostrando che il limite è una variabile casuale ben definita.
5. Estensione alle Covariate: La teoria è estesa ai modelli RCA con regressori esogeni. Questo è il primo contributo che tratta il rilevamento online in modelli RCA con covariate, permettendo l'inclusione di variabili di controllo (es. tassi di interesse, indicatori economici) senza richiedere modifiche alla procedura basata sulla stazionarietà dei dati.

Risultati

• Asintotica: Sotto l'ipotesi nulla di assenza di changepoint, gli autori stabiliscono la convergenza debole verso funzionali di processi di Wiener. Le distribuzioni limite sono prive di parametri di disturbo (nuisance-free), consentendo di ottenere i valori critici tramite simulazione. Sotto l'ipotesi alternativa (un cambiamento in $\beta$), le procedure si dimostrano coerenti (la probabilità di rilevamento tende a 1) a condizione che l'entità del cambiamento non decada troppo rapidamente.
• Simulazioni: Esperimenti Monte Carlo attraverso regimi stazionari, debolmente esplosivi e di Radice Unitaria Stocastica (STUR) indicano che:
  • Il CUSUM standardizzato ($\psi = 1/2$) fornisce generalmente il miglior equilibrio tra controllo della dimensione e ritardo di rilevamento, specialmente quando viene utilizzata l'approssimazione proposta per i valori critici ($\hat{c}_{\alpha, 0.5}$).
  • Nei regimi esplosivi, i CUSUM pesati con $\psi < 1/2$ tendono a essere meno conservativi rispetto alla versione standardizzata.
  • In presenza di covariate, l'inclusione di variabili rilevanti (es. indici di attività economica) può migliorare i ritardi di rilevamento, sebbene sia necessaria cautela con il controllo della dimensione nei casi STUR.
• Applicazioni Empiriche:
  • Ospedalizzazioni COVID-19: Applicato ai dati giornalieri sulle ospedalizzazioni nel Regno Unito, la procedura ha rilevato con successo l'inizio della seconda ondata (agosto 2020) e i successivi lockdown con brevi ritardi, spesso precedendo gli annunci ufficiali o le date di rilevamento ex-post.
  • Prezzi delle Case: Applicato ai prezzi delle case a Los Angeles, il metodo ha rilevato la stabilizzazione dei prezzi dopo il crash del 2008. L'inclusione di covariate (tassi di interesse, volatilità, attività economica) ha prodotto miglioramenti significativi nel tempismo del rilevamento rispetto al puro modello RCA.

Significatività
Il documento sostiene che la sua metodologia sia particolarmente adatta per rilevare l'inizio o il crollo di bolle ed epidemie perché non richiede alcuna conoscenza preventiva sul fatto che le osservazioni siano stazionarie o non stazionarie. La capacità di passare tra i regimi (da stazionario a esplosivo, o viceversa) senza modificare gli stimatori o lo schema di monitoraggio è un vantaggio distintivo rispetto agli approcci standard basati su AR. Fornendo un framework unificato che gestisce sia il monitoraggio aperto che chiuso, gli orizzonti brevi e le variabili esogene, gli autori offrono uno strumento robusto per le autorità di sanità pubblica e i decisori politici per rispondere tempestivamente ai cambiamenti strutturali nella persistenza. L'approssimazione proposta per i valori critici nel caso standardizzato è evidenziata come un miglioramento pratico rispetto alla teoria asintotica esistente, garantendo un migliore controllo della dimensione nei campioni finiti.