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

기술적 요약: 1/f 노이즈를 통한 비정상성에서 정상성으로의 전환

문제 제기
본 논문은 시계열 분석에서 진정한 비정상성과 장기기억 정상성을 구분하는 근본적인 과제를 다룹니다. 두 현상 모두 느리게 감소하는 표본 자기공분사와 유사한 저주파 거동을 나타내어 구별하기 어렵습니다. 기억 매개변수 $d \in (-1/2, 1/2)$인 정상 과정과 $d \in [1/2, 3/2)$인 비정상 과정에 대해서는 광범위한 문헌이 존재하지만, 경계 사례인 $d = 1/2$(1/f 노이즈 또는 "단순 비정상" 사례) 는 특정 이론적 어려움을 제시합니다. Giraitis 등 (2006) 이 제안한 시간 영역 V/S 테스트와 같은 기존 테스트들은 $d$가 $1/2$에 접근함에 따라 과대평가된 실증적 크기를 보이며, 구간 간의 미묘한 차이를 구별하지 못합니다. 또한, Robinson(1994, 2003) 의 것과 같은 완전 모수적 접근법은 특정 선형 필터 가정에 의존하며, 단기 기억 성분이 존재할 때 성능이 저하될 수 있는 프리화이트닝 (prewhitening) 단계를 필요로 합니다.

방법론
저자들은 기억 매개변수 $d$의 추정이 필요 없는 비모수적 테스트 절차를 제안합니다. 이 방법론은 다음과 같은 이론적 및 통계적 구성 요소에 기반합니다:

1. 통합 점근적 프레임워크: 본 논문은 전체 범위 $d \in (-1/2, 3/2)$에 대해 고정된 수의 푸리에 주파수에서 시계열의 이산 푸리에 변환 (DFT) 의 결합 극한 분포를 유도합니다. 이는 경계 $d=1/2$를 포함하여 정상 ($d < 1/2$) 및 비정상 ($d \ge 1/2$) 구간을 모두 포괄합니다.

2. 로그 보정: 핵심 이론적 통찰은 경계 $d=1/2$에서 표준 정규화는 표본 평균과 표본 분산이 비퇴화 극한을 허용하기에 불충분하다는 것입니다. 저자들은 이러한 통계량이 명시적인 점근 분포로 수렴하기 위해 $\log(n)$의 정규화 인자가 필요함을 증명합니다.

3. 테스트 통계량 구성: 제안된 테스트 통계량 $Q_n(s)$은 세 가지 요소를 결합합니다:

   • 표본 평균 (특히 부분 합의 차이인 $D_n$).
   • 표본 분산.
   • 유한한 수의 저주파 주기도 ordinates($I_n(\lambda_j)$).

   통계량은 다음과 같이 정의됩니다:
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   여기서 $D_n$은 첫 $m$개 관측치의 평균과 마지막 $m$개 관측치의 평균 사이의 차이를 나타내며 ($m \approx \sqrt{n}$), 이는 다음과 같이 정의됩니다.

주요 기여 및 결과

• 정리 2.1 (결합 DFT 극한): $d \in (-1/2, 3/2)$인 과정에 대해 DFT 의 실수부와 허수부의 결합 점근 정규성을 확립합니다. 극한 분포는 명시적 공분사 구조 $\Sigma(d)$를 가진 가우스 분포이며, 이는 $d$가 정상, 경계, 또는 비정상 범위에 있는지 여부에 따라 달라집니다.
• 정리 2.2 ($d=1/2$에서의 표본 평균 및 분산): $d=1/2$인 경우, $\sqrt{\log(n)}$으로 정규화된 표본 평균 $\bar{X}_n$이 정규 분포로 수렴함을 증명합니다. 또한, $n \log(n)$으로 정규화된 표본 분산이 상수로 수렴하며, 제곱된 평균과 분산의 비율이 $\chi^2(1)$ 분포로 수렴함을 확립합니다.
• 명제 3.1 (테스트 통계량의 극한 분포):
  • 귀무가설 하 ($H_0$: $d \ge 1/2$인 비정상성 또는 결정론적 추세) 에서, $d > 1/2$이면 통계량 $Q_n(s)$는 무한대로 발산합니다. $d = 1/2$이면 독립적인 $\chi^2(1)$ 변수들의 유한한 가중 합으로 수렴합니다. 결정론적 추세가 존재하는 경우에도 통계량은 발산합니다.
  • 대립가설 하 ($H_1$: $d < 1/2$인 정상성) 에서, 통계량은 확률적으로 0 으로 수렴합니다.
  • 이를 통해 일관된 테스트를 구성할 수 있으며, 기각역은 $R = \{Q_n(s) < q(\alpha, s)\}$로 정의됩니다. 여기서 $q(\alpha, s)$는 $d=1/2$ 하의 극한 분포의 분위수입니다.

시뮬레이션 결과
본 논문은 $Q_n(s)$를 Robinson(1994) 의 효율적 비정상성 테스트 ($\tilde{r}$) 및 그 프리화이트닝 버전과 비교하는 광범위한 몬테카를로 시뮬레이션을 통해 제안된 방법을 검증합니다.

• 단기 기억에 대한 강건성: 제안된 통계량 $Q_n(s)$는 데이터 생성 과정에 단기 기억 AR 성분이 포함되더라도 좋은 검정력과 크기 조절을 유지합니다. 반면, Robinson 의 테스트 $\tilde{r}$은 순수 FARIMA 모델에만 잘 작동하지만 프리화이트닝을 하더라도 AR 성분이 존재할 때 성능이 현저히 저하됩니다.
• 집계 과정: 테스트는 장기 기억을 모방하지만 분수형이 아닌 집계된 랜덤 계수 AR(1) 과정에서도 강건하게 유지됩니다.
• 구조적 변화: 테스트는 평균에서의 결정론적 구조적 변화로 인한 비정상성을 성공적으로 탐지하는 반면, Robinson 의 테스트는 이러한 시나리오에서 종종 비정상성의 귀무가설을 기각하지 못합니다 (부정확하게 귀무가설을 수용).
• 경계 성능: 임계 경계 $d=1/2$에서 $Q_n(s)$의 실증적 크기는 명목 수준 (예: 0.05) 에 가깝게 유지되는 반면, 다른 방법들은 종종 높은 실증적 크기를 보입니다.

의의 및 주장
저자들은 이 연구의 주요 기여가 정상 및 비정상 구간 전반에 걸쳐 DFT 에 대한 통합 점근적 프레임워크를 유도하고, 특히 $d=1/2$ 경계에서의 거동을 해결한 것이라고 주장합니다. 결과적으로 도출된 테스트 통계량은 계산 효율이 높고 모수가 없는 방법으로 정상적 거동을 분수형 또는 결정론적 비정상성과 구별합니다. 이전 접근법과 달리, 이 방법은 선형 필터에 대한 모수적 가정에 의존하거나 프리화이트닝 단계를 요구하지 않으므로, 모델 오지정과 단기 기억 역학에 대해 더 강건합니다. 본 논문은 이를 $1/f$ 노이즈 경계 근처의 정상 및 비정상 거동 사이의 "미묘한" 구분에 대한 해결책으로 제시하며, 고전적 시간 영역 테스트의 전형적인 확률적 적분 극한과 대조되는 처리 가능한 극한 분포 ($\chi^2$ 변수들의 가중 합) 를 제공합니다.