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

Titolo: Misure di covarianza di ordine frazionario inferiore per serie temporali ciclostationarie con distribuzioni a coda pesante: applicazioni al test di dipendenza e all'identificazione dell'ordine del modello.

Autori: Wojciech Żuławiński e Agnieszka Wyłomańska (Politecnico di Breslavia, Polonia).

---

1. Problema e Contesto

Le serie temporali ciclostationarie (processi a correlazione periodica, PC) sono fondamentali per modellare fenomeni reali con caratteristiche statistiche che variano periodicamente (es. monitoraggio delle condizioni, comunicazioni, idrologia). La teoria classica si basa sull'autocovarianza (ACVF) e sull'autocorrelazione (ACF).

Tuttavia, molti dati reali presentano distribuzioni a coda pesante (heavy-tailed), spesso modellabili tramite distribuzioni $\alpha$-stabili, che possono avere varianza infinita. In questi casi:

• L'autocovarianza classica (ACVF) non è definita o è inaffidabile.
• Le metodologie tradizionali basate su PC falliscono.
• È necessario un nuovo quadro teorico che utilizzi misure di dipendenza robuste valide anche per la varianza infinita.

2. Metodologia Proposta

Gli autori propongono un nuovo framework basato sulla Covarianza di Ordine Frazionario Inferiore (FLOC - Fractional Lower-Order Covariance) per analizzare serie temporali ciclostationarie con varianza infinita (definite come FLOC-ciclostationarie).

A. Nuove Misure di Autodipendenza

Vengono introdotte due nuove misure generalizzate delle funzioni classiche per processi PC:

1. peFLOACF (Periodic Fractional Lower-Order Autocorrelation Function):

   • È la controparte FLOC della funzione di autocorrelazione periodica (peACF).
   • Viene definita normalizzando la FLOACVF (Fractional Lower-Order Autocovariance Function) in modo che il momento di ordine frazionario (FLOM) sia unitario.
   • Proprietà chiave: Per i modelli PMA (Periodic Moving Average) a varianza infinita, la peFLOACF presenta una proprietà di "taglio" (cut-off): assume valore zero per ritardi $|h| > q$, dove $q$ è l'ordine del modello.

2. peFLOPACF (Periodic Fractional Lower-Order Partial Autocorrelation Function):

   • È la controparte FLOC della funzione di autocorrelazione parziale periodica (pePACF).
   • Viene costruita utilizzando equazioni di Yule-Walker basate sulla FLOACVF.
   • Proprietà chiave: Per i modelli PAR (Periodic Autoregressive) a varianza infinita, la peFLOPACF mostra una proprietà di "taglio" per ritardi $h > p$, dove $p$ è l'ordine del modello.

B. Applicazioni Pratiche

Sulla base di queste misure, gli autori sviluppano due procedure principali:

1. Test Portmanteau per la Dipendenza:
   • Un test statistico per verificare l'ipotesi nulla che una serie sia un "rumore bianco" periodico a ordine frazionario (peFLOWN) contro l'ipotesi alternativa di dipendenza.
   • Utilizza una statistica basata sulla somma dei quadrati della peFLOACF campionata, con correzione di Bonferroni per gestire i test multipli (uno per ogni fase del periodo $T$).
2. Identificazione dell'Ordine del Modello (PAR/PMA):
   • Sfrutta le proprietà di "taglio" delle nuove funzioni per stimare gli ordini $p$ (per PAR) e $q$ (per PMA) dei modelli a varianza infinita.
   • L'ordine viene determinato confrontando i valori campionati con intervalli di confidenza ottenuti tramite simulazioni Monte Carlo su rumore bianco.

3. Risultati

Studio di Simulazione (Monte Carlo)

• Potenza del Test: Il test portmanteau basato su peFLOACF dimostra un'efficienza accettabile e crescente all'aumentare della lunghezza della serie temporale ($N_T$) e della magnitudine dei coefficienti di dipendenza. Per $N_T=1000$, la potenza raggiunge il 100% per la maggior parte dei casi, tranne per coefficienti molto vicini a zero.
• Identificazione dell'Ordine: Le procedure per identificare gli ordini dei modelli PAR e PMA sono efficaci.
  • Per i modelli PAR, l'accuratezza è alta quando i coefficienti sono lontani da zero; per valori vicini a zero, l'accuratezza migliora significativamente con campioni più lunghi ($N_T=1000$).
  • Per i modelli PMA, l'inclusione di ritardi negativi nella peFLOACF migliora le prestazioni rispetto all'uso di soli ritardi positivi.

Analisi su Dati Reali (Inquinamento Atmosferico)

• Dataset: Concentrazione giornaliera di PM10 (particolato) misurata a Vitória, Brasile (2018-2019).
• Preprocessing: Trasformazione logaritmica e centratura. I dati mostrano chiaramente valori anomali (outliers) e code pesanti.
• Applicazione:
  • È stato assunto un periodo settimanale ($T=7$) e un indice di stabilità $\alpha = 1.9$.
  • Il test portmanteau ha rilevato dipendenza significativa nella maggior parte delle fasi settimanali.
  • L'identificazione dell'ordine ha suggerito un modello PAR(3) (con ordini stagionali variabili tra 0 e 3).
  • L'analisi dei residui del modello adattato ha confermato l'assenza di ulteriore dipendenza (i residui sono coerenti con un rumore bianco peFLOWN), validando l'efficacia del modello proposto.

4. Contributi Chiave

1. Generalizzazione Teorica: Estensione della teoria delle serie temporali ciclostationarie al caso di varianza infinita, sostituendo l'ACVF con la FLOC.
2. Nuovi Strumenti Statistici: Definizione formale e proprietà teoriche di peFLOACF e peFLOPACF, che mantengono le proprietà strutturali (come il "taglio") delle loro controparti classiche.
3. Metodologie Operative: Sviluppo di algoritmi pratici per il test di dipendenza e l'identificazione dell'ordine, completi di procedure per la costruzione di intervalli di confidenza tramite simulazione.
4. Validazione Empirica: Dimostrazione dell'efficacia sia su dati simulati che su un caso di studio reale (inquinamento), mostrando che l'approccio supera i limiti dei modelli a varianza finita in presenza di outlier.

5. Significato e Impatto

Questo lavoro fornisce un toolkit robusto per l'analisi di serie temporali non stazionarie con caratteristiche non gaussiane e varianza infinita, comuni in settori come l'ingegneria ambientale, le telecomunicazioni e la finanza. Le nuove misure permettono di:

• Evitare la perdita di informazioni dovuta alla rimozione degli outlier (tipica dei metodi classici).
• Identificare correttamente la struttura dipendente di processi complessi che i modelli ARMA/PC tradizionali non riescono a catturare.
• Estendere le tecniche di modellazione predittiva a scenari reali dove la distribuzione dei dati è fortemente asimmetrica o a coda pesante.

In sintesi, l'articolo colma un divario teorico e pratico, offrendo metodi affidabili per l'analisi di processi ciclostationari "estremi".