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

技術的概要：1/f ノイズを介した非定常性から定常性へ

問題提起
本論文は、時系列分析における根本的な課題、すなわち真の非定常性と長記憶定常性を区別することの難しさに取り組んでいる。両者の現象は、ともに緩やかに減衰する標本自己共分散と類似した低周波数挙動を示すため、互いの識別が困難である。$d \in (-1/2, 1/2)$ の定常過程および $d \in [1/2, 3/2)$ の非定常過程については広範な文献が存在するが、境界ケース $d = 1/2$（1/f ノイズ、あるいは「わずかに非定常」なケースとして知られる）は、特定の理論的困難さを呈する。Giraitis ら (2006) によって提案された時間領域の V/S 検定などの既存の検定は、$d$ が $1/2$ に近づくにつれて実効サイズが膨張し、領域間の微妙な差異を区別できなくなるという欠点がある。さらに、Robinson (1994, 2003) のような完全パラメトリックなアプローチは、特定の線形フィルタの仮定に依存し、短記憶成分が存在する際に性能が低下する可能性がある前白化ステップを必要とする。

手法
著者は、記憶パラメータ $d$ の推定を必要としない非パラメトリックな検定手順を提案する。この手法は、以下の理論的および統計的構成要素に基づいている。

1. 統合された漸近枠組み: 論文は、$d \in (-1/2, 3/2)$ の全範囲において、固定された数のフーリエ周波数における時系列の離散フーリエ変換（DFT）の結合極限分布を導出する。これにより、定常 ($d < 1/2$) および非定常 ($d \ge 1/2$) の両領域、ならびに境界 $d=1/2$ を網羅する。

2. 対数補正: 重要な理論的洞察として、境界 $d=1/2$ において、標本平均および標本分散が非退化極限を許容するためには、標準的な正規化では不十分であることが示される。著者は、これらの統計量が明示的な漸近分布に収束するためには、$\log(n)$ の正規化因子が必要であることを実証する。

3. 検定統計量の構築: 提案された検定統計量 $Q_n(s)$ は、以下の 3 つの要素を組み合わせる。

   • 標本平均（具体的には部分和の差 $D_n$）。
   • 標本分散。
   • 有限個の低周波数パワースペクトル密度（周期図）の ordinates ($I_n(\lambda_j)$)。

   統計量は以下のように定義される。
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   ここで、$D_n$ は最初の $m$ 個の観測値の平均と最後の $m$ 個の観測値の平均との差を表し（$m \approx \sqrt{n}$）、$X_k$ は観測値、$\bar{X}_n$ は標本平均である。

主要な貢献と結果

• 定理 2.1 (結合 DFT 極限): $d \in (-1/2, 3/2)$ を持つ過程における DFT の実部と虚部の漸近的な結合正規性を確立する。極限分布は明示的な共分散構造 $\Sigma(d)$ を持つガウス分布であり、$d$ が定常領域、境界、あるいは非定常領域のいずれにあるかによって変化する。
• 定理 2.2 ($d=1/2$ における標本平均と分散): $d=1/2$ の場合、$\sqrt{\log(n)}$ で正規化された標本平均 $\bar{X}_n$ が正規分布に収束することを証明する。さらに、$n \log(n)$ で正規化された標本分散が定数に収束し、平均の二乗と分散の比が $\chi^2(1)$ 分布に収束することを確立する。
• 命題 3.1 (検定統計量の極限分布):
  • 帰無仮説 ($H_0$: $d \ge 1/2$ の非定常性または決定論的トレンド) の下では、$d > 1/2$ の場合、統計量 $Q_n(s)$ は無限大に発散する。$d = 1/2$ の場合、独立な $\chi^2(1)$ 変数の有限加重和に収束する。決定論的トレンドが存在する場合も、統計量は発散する。
  • 対立仮説 ($H_1$: $d < 1/2$ の定常性) の下では、統計量は確率 0 に収束する。
  • これにより、棄却域 $R = \{Q_n(s) < q(\alpha, s)\}$ を持つ一貫性のある検定を構築することが可能となる。ここで $q(\alpha, s)$ は $d=1/2$ における極限分布の分位数である。

シミュレーション結果
論文は、Robinson (1994) の効率的な非定常性検定 ($\tilde{r}$) およびその前白化版と比較する広範なモンテカルロシミュレーションを通じて、提案された手法を検証する。

• 短記憶に対する頑健性: 提案された統計量 $Q_n(s)$ は、データ生成過程に短記憶 AR 成分が含まれていても、良好な検出力とサイズ制御を維持する。一方、Robinson の検定 $\tilde{r}$ は純粋な FARIMA モデルに対してはよく機能するが、AR 成分が存在すると前白化を行っても性能が著しく低下する。
• 集約過程: 長記憶を模倣するが分数過程ではない集約されたランダム係数 AR(1) 過程に対しても、検定は頑健である。
• 構造変化: 平均における決定論的構造変化に起因する非定常性を検出することに成功するが、Robinson の検定はこれらのシナリオにおいて非定常性の帰無仮説を棄却できず（誤って帰無仮説を採択する）、機能しないことが多い。
• 境界性能: 臨界境界 $d=1/2$ において、$Q_n(s)$ の実効サイズは名目レベル（例：0.05）に近接して維持されるのに対し、他の手法はしばしば高い実効サイズを示す。

意義と主張
著者は、この研究の主な貢献は、定常および非定常領域にわたる DFT のための統合された漸近枠組みの導出、特に $d=1/2$ 境界における挙動の解決にあると主張する。得られた検定統計量は、定常的な挙動を分数的あるいは決定論的な非定常性から区別するための、計算効率が良くパラメータ不要な手法を提供する。従来のアプローチとは異なり、この手法は線形フィルタに関するパラメトリックな仮定に依存せず、前白化ステップを必要としないため、モデルの誤指定や短記憶ダイナミクスに対してより頑健である。論文はこれを、$1/f$ ノイズ境界付近における定常的および非定常的挙動の「微妙な」区別に対する解決策として位置づけ、古典的な時間領域検定に典型的な確率積分極限とは対照的な、扱いやすい極限分布（$\chi^2$ 変数の加重和）を提供するものであるとしている。