Least Squares-Based Permutation Tests in Time Series

技術要約：時系列における最小二乗法に基づく置換検定

問題提起
本論文は、観測値が弱い依存性を示す時系列の設定において、回帰パラメータおよび単調トレンドに対して妥当な仮説検定を行う際の課題に対処している。古典的な最小二乗法（OLS）による推論は、誤差項が独立かつ同一分布（i.i.d.）であること、およびガウス性を仮定していることが多い。時系列においては、これらの仮定はしばしば成立せず、系列依存性が存在するため、標準的なパラメトリック検定（例：$t$検定、$\chi^2$検定）は、第一種の過誤（Type I error）が増大し、不適切となる可能性がある。

置換検定はノンパラメトリックな代替手法を提供し、「ランダム化仮説」（誤差の交換可能性）の下で有限標本における厳密な推論を可能にするが、伝統的に時系列への適用は困難であった。時系列の設定において共変量を置換することは、時間的構造および共変量と応答の間の関係性を破壊してしまう。したがって、厳密性を担保するために必要な交換可能性の基本仮定がしばしば崩れ、置換分布が真の標本分布を近似できず、漸近的な妥当性が失われる。

手法
著者らは、広範な定常的かつ弱い依存性を持つプロセス（具体的には $\alpha$-混合系列）に対して漸近的に妥当な置換検定を構築するフレームワークを提案しているが、同時にランダム化仮説が成立する場合（すなわち、誤差がi.i.d.である場合）には厳密性も保持する。

核となる手法は、漸近的なピボット性（pivotality）を実現するために、**スチューデント化（studentized）**された検定統計量を利用する2つの異なる問題設定に基づいている。

1. 回帰係数の検定 ($H_0: \beta = 0$):

   • 設定: 本論文では、定常的な $\alpha$-混合系列 $\{(Y_i, X_i)\}$ （ただし $X_i \in \mathbb{R}^p$）を考える。目的は、無条件回帰係数 $\beta$ がゼロであるかどうかを検定することである。
   • 問題: 非スチューデント化された統計量 $\sqrt{n}\hat{\beta}_n$ は、共分散行列 $\Sigma_X^{-1}\Gamma\Sigma_X^{-1}$ を持つガウス分布に収束するが、置換分布は共分散 $\sigma_Y^2 \Sigma_X^{-1}$ を持つガウス分布に収束する。依存性がある場合、これらの共分散は一般に異なり、非スチューデント化された置換検定は不当となる。
   • 解決策: 著者らは、残差の長期分散を推定する一貫した推定器（Newey-West推定器に類似したもの）を用いて回帰係数を除することで、スチューデント化された統計量を構築する。具体的には、分散推定器 $\hat{\Gamma}_n$ を定義する。検定統計量は次のように構成される：
     $$Z_n = \left( \hat{\Gamma}_n^{-1/2} \hat{\Sigma}_X \right) \sqrt{n}\hat{\beta}_n$$
   • 結果: 帰無仮説の下では、真の標本分布と置換分布の両方が、依存構造に関わらず（混合条件およびモーメント条件が満たされる限り）、標準多変量正規分布 $N(0, I_p)$ に収束する。

2. 単調トレンドの検定 ($H_0^{(m)}$: 単調トレンドなし):

   • 設定: 本論文では、三角配列モデル $Y_{n,i} = X_{n,i} + \lambda_{n,i}$ を考える。ここで $X_{n,i}$ は行方向の定常な $\alpha$-混合配列であり、$\lambda_{n,i} = g(i/n)$ は潜在的な単調トレンドを表す。
   • 問題: 著者らは、トレンド関数 $g$ に対する制限がない場合、置換分布が退化する可能性があること（例：トレンドが急速に成長する場合、単一の高レバレッジ観測値が検定統計量を支配する）を実証している。さらに、依存性がある場合、非スチューデント化された検定統計量の分散と置換分布の分散は一般に一致しない。
   • 解決策: 著者らは、トレンド関数 $g$ が有界かつ連続であるという制限を課すことで、極端なレバレッジの問題を防いでいる。そして、誤差過程 $X_{n,i}$ の長期分散を推定する分散推定器 $\hat{\tau}_n^2$ を用いて、スチューデント化された統計量を構築する。検定統計量は以下の通りである：
     $$T_n = \frac{n^{3/2} \hat{\beta}_n}{\sqrt{12} \hat{\tau}_n}$$
   • 結果: 回帰の場合と同様に、スチューデント化された統計量とその置換対応物は、帰無仮説の下で標準正規分布 $N(0, 1)$ に収束し、漸近的な妥当性が保証される。

主な貢献と結果

• 依存性下での漸近的妥当性: 主要な理論的貢献は、適切にスチューデント化された置換検定が、定常的な $\alpha$-混合プロセスに対して漸近的に妥当であることを証明した点にある。これにより、置換検定の適用範囲をi.i.d.の設定から一般的な弱依存時系列へと拡張した。
• 厳密性の保持: 提案された検定は、ランダム化仮説（交換可能性）が成立する場合に、有限標本における厳密な推論を行う性質を保持しており、これは標準的なパラメトリック検定にはない特徴である。
• 分散推定: 本論文は、置換操作に対して頑健な、長期分散（$\hat{\Gamma}_n$ および $\hat{\tau}_n^2$）の一貫した推定器の具体的な構成法を提供しており、これにより置換分布が真の極限分布と一致することを保証している。
• シミュレーションによる証拠: モンテカルロ・シミュレーションにより、スチューデント化された置換検定が、様々な依存プロセス（$m$-依存過程やARMA過程を含む）において、公称レベル（例：$\alpha=0.05$）で第一種の過誤を制御できることが確認された。これに対し、古典的なカイ二乗検定や非スチューデント化された置換検定は、依存構造や裾の挙動に応じて、過剰な棄却または過小な棄却を示すなど、しばしば失敗する。
• ソフトウェアの実装: これらの手法は、Rパッケージ permixOLS に実装されている。このパッケージには、特異値分解を用いた切断による行列反転などの数値的問題の処理機能も含まれている。

意義と主張
本論文は、そのフレームワークが、標準的な仮定が成立しない時系列回帰およびトレンド分析における確証的推論のための堅牢な解決策を提供するものであると主張している。その意義は、置換検定の厳密さと、依存データに求められる柔軟性ととの間の溝を埋めたことにある。

著者らは、提案された検定は漸近的に妥当であるものの、公称レベルへの収束速度はデータの裾の挙動に依存することを控えめに述べている。非常にヘビーテイルな分布を持つケースでは、スチューデント化された分散推定器が安定するために、より大きなサンプルサイズが必要となる可能性がある。しかし、このような困難な領域においても、スチューデント化された置換検定は、サンプルサイズが増加しても棄却確率が公称レベルを大幅に上回ることがある古典的な代替手法よりも優れていることが示されている。

最終的に、本論文は、検定統計量が特定の依存構造を考慮するように適切にスチューデント化されている限り、置換検定が時系列における推論のための有効なアプローチとなり得ることを確立している。