First versus full or first versus last: U-statistic change-point tests under fixed and local alternatives

1. Probleemstelling

In de veranderingstijdpunt-analyse (change-point analysis) wordt vaak gebruikgemaakt van CUSUM-type tests om te controleren of een parameter $\theta$ van een tijdsreeks stabiel blijft. Voor een parameter die wordt geschat via een U-statistiek (zoals Gini's gemiddelde verschil, steekproefvariantie of Kendall's tau), zijn er twee gangbare manieren om de teststatistiek te construeren:

1. First-vs-Full (FvsF): Vergelijkt de schatting gebaseerd op de eerste $k$ observaties ($\hat{\theta}_{1:k}$) met de schatting gebaseerd op de volledige steekproef ($\hat{\theta}_{1:n}$).
2. First-vs-Last (FvsL): Vergelijkt de schatting van de eerste $k$ observaties ($\hat{\theta}_{1:k}$) met de schatting van de resterende $n-k$ observaties ($\hat{\theta}_{(k+1):n}$).

Hoewel deze twee benaderingen asymptotisch equivalent zijn onder de nulhypothese (geen verandering) en onder lokale alternatieven (kleine veranderingen bij grote steekproefomvang), is het onduidelijk of ze substantieel verschillen in kleinere steekproeven of onder vaste alternatieven (grote veranderingen). De auteurs onderzoeken of één methode systematisch superieur is en onder welke omstandigheden.

2. Methodologie

De auteurs analyseren het asymptotische gedrag van beide teststatistieken onder drie scenario's:

• Nulhypothese: Geen verandering in de verdeling.
• Lokale alternatieven: De verandering in de parameter schaalt met $1/\sqrt{n}$ naarmate de steekproefomvang $n$ toeneemt.
• Vaste alternatieven: De verdeling verandert van $F$ naar $G$ op een vast tijdstip $\tau^*$, waarbij de verandering niet afneemt met $n$.

Kernconcepten:

• U-statistieken: De tests zijn gebaseerd op een symmetrische kernfunctie $h(x,y)$.
• Hoeffding-decompositie: De auteurs gebruiken deze decompositie om de U-statistieken te splitsen in een lineair deel en een degenererend (hoogere orde) deel.
• Asymptotische Distributies: Onder de nulhypothese en lokale alternatieven convergeren beide processen naar een Brownse brug. Onder vaste alternatieven convergeren ze naar verschillende deterministische limietfuncties, $\Psi_1(t)$ en $\Psi_2(t)$.
• Eccentriciteit ($\rho_{FG}$): Een cruciale grootheid gedefinieerd als $\rho_{FG} = \theta_{FG} - (\theta_F + \theta_G)/2$, waarbij:
  • $\theta_F = E[h(X, X')]$ (parameter voor verdeling $F$)
  • $\theta_G = E[h(Y, Y')]$ (parameter voor verdeling $G$)
  • $\theta_{FG} = E[h(X, Y')]$ (gemengde parameter)
    De teken van $\rho_{FG}$ bepaalt welke test meer power heeft.

3. Belangrijkste Bijdragen en Resultaten

A. Asymptotische Equivalentie

• Nulhypothese & Lokale Alternatieven: Beide tests hebben dezelfde asymptotische verdeling (geschaald met $1/\sqrt{n}$). Dit betekent dat voor grote steekproeven de keuze tussen FvsF en FvsL geen invloed heeft op de power of het significantieniveau.
• Vaste Alternatieven: Hier vertonen de tests verschillend gedrag. De geschaalde teststatistieken ($1/n$) convergeren naar verschillende limietfuncties. Het verschil tussen deze limieten hangt af van de eccentriciteit $\rho_{FG}$.

B. Het Power-Criterium

De auteurs leiden een eenvoudig criterium af om te bepalen welke test sterker is voor een specifieke situatie:

• Als $\rho_{FG}$ hetzelfde teken heeft als $(\theta_G - \theta_F)$, dan is de First-vs-Full test krachtiger.
• Als $\rho_{FG}$ en $(\theta_G - \theta_F)$ tegengestelde tekens hebben, dan is de First-vs-Last test krachtiger.
• Als $\rho_{FG} = 0$, zijn beide tests even krachtig (dit gebeurt bij strikt lineaire statistieken).

C. Specifieke Toepassingen

De auteurs analyseren vier veelvoorkomende U-statistieken:

1. Gini's Gemiddelde Verschil (Scale changes):

   • Voor de kern $h(x,y) = |x-y|$ is $\rho_{FG} \geq 0$ altijd waar.
   • Conclusie: De First-vs-Full test is superieur als de schaal toeneemt ($\theta_G > \theta_F$). De First-vs-Last test is superieur als de schaal afneemt. Dit geldt ongeacht de locatie van het veranderingstijdpunt of de onderliggende verdeling.

2. Steekproefvariantie:

   • Voor $h(x,y) = (x-y)^2/2$ geldt $\rho_{FG} = \frac{1}{2}(\mu_F - \mu_G)^2 \geq 0$.
   • Conclusie: Als er geen verandering in het gemiddelde is, zijn beide tests even krachtig. Als er wel een verandering in het gemiddelde is, geldt hetzelfde patroon als bij Gini: First-vs-Full is beter bij toenemende variantie, First-vs-Last bij afnemende variantie.

3. Kendall's Tau:

   • Hier kan $\rho_{FG}$ positief, negatief of nul zijn, afhankelijk van de correlaties voor en na de verandering.
   • Conclusie: Er is geen universele winnaar. De keuze hangt volledig af van de specifieke verandering in de correlatiestructuur.

D. Consistentie en Schatting van het Veranderingstijdpunt

• Beide tests zijn consistent (power gaat naar 1) zolang er een verandering is in de parameter $\theta$ of als de eccentriciteit $\rho_{FG} \neq 0$ (zelfs als $\theta$ constant blijft).
• De schatters voor de locatie van het veranderingstijdpunt ($\hat{\tau}$) zijn consistent onder specifieke voorwaarden die ook afhangen van de grootte van $\rho_{FG}$ ten opzichte van het verschil in parameters.

4. Numerieke Simulaties en Data Voorbeelden

• Simulaties: De resultaten bevestigen de theorie. Bij kleine steekproeven ($n=63$) zijn de verschillen in power aanzienlijk (tot 10% punten), terwijl deze bij grote steekproeven ($n=4000$) verwaarloosbaar klein zijn.
• Data Voorbeeld (Colorado River):
  • De auteurs passen de tests toe op de jaarlijkse afvoer van de Colorado-rivier (Lees Ferry vs. Cameo).
  • Bij Lees Ferry (downstream van de Glen Canyon Dam) is er een duidelijke afname in variabiliteit. Omdat de schaal afneemt, presteert de First-vs-Last test significant beter (p-waarde 0.019) dan de First-vs-Full test (p-waarde 0.076).
  • Bij de correlatie tussen de twee rivierlocaties (Kendall's tau) neemt de correlatie af. Hier blijkt de First-vs-Full test weer superieur te zijn, wat overeenkomt met de theoretische voorspelling voor deze specifieke verandering in correlatie.

5. Significantie en Conclusie

Dit artikel biedt een fundamentele verduidelijking van een vaak over het hoofd gezien aspect in de veranderingstijdpunt-analyse:

1. Mythe doorbroken: Het is niet waar dat de First-vs-Last methode universeel superieur is. De keuze hangt af van de aard van de verandering en de gebruikte statistiek.
2. Praktische Richtlijn: De auteurs bieden een concrete, berekenbare richtlijn (via $\rho_{FG}$) voor onderzoekers om de meest krachtige test te kiezen voor hun specifieke data-situatie, vooral bij kleinere steekproeven.
3. Theoretische Diepgang: De paper levert een uitgebreide asymptotische theorie voor U-statistieken onder zowel lokale als vaste alternatieven, inclusief resultaten voor zwak afhankelijke processen.

Kortom, de keuze tussen "First-vs-Full" en "First-vs-Last" is niet triviaal; het is een strategische beslissing die gebaseerd moet worden op de verwachte richting van de verandering in de parameter van interesse.