From nonstationarity to stationarity via $1/f$ noise: discrete Fourier transforms and sample mean asymptotics for testing

Sintesi Tecnica: Dalla Nonstazionarietà alla Stazionarietà tramite Rumore 1/f

Enunciazione del Problema
Il lavoro affronta la sfida fondamentale nell'analisi delle serie temporali di distinguere tra nonstazionarietà genuina e stazionarietà a memoria lunga. Entrambi i fenomeni presentano autocovarianze campionarie a decadimento lento e un comportamento simile alle basse frequenze, rendendoli difficili da differenziare. Sebbene esista un'ampia letteratura per processi stazionari con un parametro di memoria $d \in (-1/2, 1/2)$ e per processi non stazionari con $d \in [1/2, 3/2)$, il caso limite $d = 1/2$ (noto come rumore 1/f o caso "appena non stazionario") presenta difficoltà teoriche specifiche. I test esistenti, come il test V/S nel dominio del tempo proposto da Giraitis et al. (2006), soffrono di dimensioni empiriche inflazionate man mano che $d$ si avvicina a $1/2$, fallendo nel distinguere sottili differenze tra i regimi. Inoltre, gli approcci completamente parametrici, come quelli di Robinson (1994, 2003), si basano su assunzioni specifiche sui filtri lineari e richiedono passaggi di pre-whitening che possono degradare le prestazioni quando sono presenti componenti a memoria corta.

Metodologia
Gli autori propongono una procedura di test non parametrica che non richiede la stima del parametro di memoria $d$. La metodologia si fonda sui seguenti componenti teorici e statistici:

1. Quadro Asintotico Unificato: Il lavoro deriva la distribuzione limite congiunta delle Trasformate di Fourier Discrete (DFT) di una serie temporale a un numero fisso di frequenze di Fourier per l'intero intervallo $d \in (-1/2, 3/2)$. Questo copre sia i regimi stazionari ($d < 1/2$) che quelli non stazionari ($d \ge 1/2$), incluso il limite $d=1/2$.

2. Correzioni Logaritmiche: Un'insight teorico chiave è che al limite $d=1/2$, la normalizzazione standard è insufficiente affinché la media campionaria e la varianza campionaria ammettano limiti non degeneri. Gli autori dimostrano che è necessario un fattore di normalizzazione di $\log(n)$ affinché queste statistiche convergano verso distribuzioni asintotiche esplicite.

3. Costruzione della Statistica di Test: La statistica di test proposta, $Q_n(s)$, combina tre elementi:

   • La media campionaria (specificamente una differenza di somme parziali, $D_n$).
   • La varianza campionaria.
   • Un numero finito di ordinate dello spettro periodogramma a basse frequenze ($I_n(\lambda_j)$).

   La statistica è definita come:
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   dove $D_n$ rappresenta la differenza tra la media delle prime $m$ osservazioni e l'ultima $m$ osservazioni (con $m \approx \sqrt{n}$).

Contributi e Risultati Chiave

• Teorema 2.1 (Limite Congiunto delle DFT): Stabilisce la normalità asintotica congiunta delle parti reale e immaginaria delle DFT per processi con $d \in (-1/2, 3/2)$. La distribuzione limite è gaussiana con una struttura di covarianza esplicita $\Sigma(d)$, che varia a seconda che $d$ si trovi nell'intervallo stazionario, di confine o non stazionario.
• Teorema 2.2 (Media e Varianza Campionaria a $d=1/2$): Dimostra che per $d=1/2$, la media campionaria $\bar{X}_n$ normalizzata per $\sqrt{\log(n)}$ converge verso una distribuzione normale. Inoltre, stabilisce che la varianza campionaria, quando normalizzata per $n \log(n)$, converge verso una costante, e il rapporto tra il quadrato della media e la varianza converge verso una distribuzione $\chi^2(1)$.
• Proposizione 3.1 (Distribuzione Limite della Statistica di Test):
  • Sotto l'ipotesi nulla ($H_0$: nonstazionarietà con $d \ge 1/2$ o trend deterministici), la statistica $Q_n(s)$ diverge all'infinito se $d > 1/2$. Se $d = 1/2$, converge verso una somma pesata finita di variabili $\chi^2(1)$ indipendenti. Se esiste un trend deterministico, la statistica diverge anch'essa.
  • Sotto l'ipotesi alternativa ($H_1$: stazionarietà con $d < 1/2$), la statistica converge in probabilità a 0.
  • Ciò permette la costruzione di un test consistente con una regione di rifiuto $R = \{Q_n(s) < q(\alpha, s)\}$, dove $q(\alpha, s)$ è il quantile della distribuzione limite sotto $d=1/2$.

Risultati delle Simulazioni
Il lavoro valida il metodo proposto attraverso estese simulazioni Monte Carlo che confrontano $Q_n(s)$ con il test efficiente di nonstazionarietà di Robinson (1994) ($\tilde{r}$) e la sua versione pre-whitenizzata.

• Robustezza alla Memoria Corta: La statistica proposta $Q_n(s)$ mantiene una buona potenza e controllo della dimensione anche quando il processo generatore dei dati include componenti AR a memoria corta. Al contrario, il test di Robinson $\tilde{r}$ performa bene solo per modelli FARIMA puri, ma peggiora significativamente in presenza di componenti AR, anche con pre-whitening.
• Processi Aggregati: Il test rimane robusto per processi AR(1) a coefficienti casuali aggregati, che mimano la memoria lunga ma non sono frazionari.
• Interruzioni Strutturali: Il test rileva con successo la nonstazionarietà derivante da interruzioni strutturali deterministiche nella media, mentre il test di Robinson spesso fallisce nel rifiutare l'ipotesi nulla di nonstazionarietà in questi scenari (accettando erroneamente l'ipotesi nulla).
• Prestazioni al Confine: Al confine critico $d=1/2$, la dimensione empirica di $Q_n(s)$ rimane vicina al livello nominale (es. 0.05), mentre altri metodi spesso esibiscono dimensioni empiriche elevate.

Significato e Affermazioni
Gli autori affermano che il contributo principale di questo lavoro è la derivazione di un quadro asintotico unificato per le DFT attraverso regimi stazionari e non stazionari, risolvendo specificamente il comportamento al confine $d=1/2$. La statistica di test risultante offre un metodo computazionalmente efficiente e privo di parametri per distinguere il comportamento stazionario dalla nonstazionarietà frazionaria o deterministica. A differenza degli approcci precedenti, questo metodo non si basa su assunzioni parametriche riguardanti il filtro lineare né richiede passaggi di pre-whitening, rendendolo più robusto alla specificazione errata del modello e alle dinamiche a memoria corta. Il lavoro posiziona questo come una soluzione alla distinzione "sottile" tra comportamento stazionario e non stazionario vicino al confine del rumore 1/f, fornendo una distribuzione limite trattabile (una somma pesata di variabili $\chi^2$) che contrasta con i limiti di integrali stocastici tipici dei test classici nel dominio del tempo.