Testing and estimation of the index of stability of univariate and bivariate symmetric $\alpha-$stable distributions via modified Greenwood statistic

1. Probleemstelling

De hoofduitdaging in de statistische analyse van zware staartverdelingen is het onderscheid maken tussen een Gaussische verdeling (normaal) en een $\alpha$-stabiele verdeling met een stabiliteitsindex $\alpha$ die dicht bij 2 ligt.

• Context: $\alpha$-stabiele verdelingen worden veel gebruikt in financiën, fysica en biologie om data met zware staarten (infinite variance) te modelleren. De parameter $\alpha \in (0, 2]$ bepaalt de "zwaarte" van de staart; bij $\alpha=2$ is de verdeling Gaussisch.
• Het probleem: Bestaande methoden voor het testen van multivariate normaliteit (zoals de tests van Mardia, Jarque-Bera, Henze-Zirkler en Royston) presteren vaak onvoldoende wanneer de onderliggende verdeling een $\alpha$-stabiel karakter heeft met een $\alpha$-waarde die zeer dicht bij 2 ligt, of bij kleine steekproefomvang. Het is moeilijk om te bepalen of de data uit een zwaarstaartige verdeling of een normale verdeling komt.
• Doel: Het ontwikkelen van een robuuste test- en schattingsmethode voor zowel univariate als bivariate symmetrische $\alpha$-stabiele verdelingen, met name binnen de klasse van sub-Gaussische verdelingen.

2. Methodologie

De auteurs baseren hun aanpak op de Gewijzigde Greenwood-statistiek (Modified Greenwood Statistic), oorspronkelijk ontworpen voor positieve waarden, maar hier aangepast voor symmetrische verdelingen.

A. De Statistieken
Voor een steekproef $\vec{X} = (X_1, \dots, X_n)$ wordt de gewijzigde Greenwood-statistiek gedefinieerd als:
$$S_X = \frac{\sum_{i=1}^n |X_i|^2}{(\sum_{i=1}^n |X_i|)^2}$$
Deze statistiek is schaal-invariant en vertoont stochastische monotonie binnen de klasse van symmetrische $\alpha$-stabiele verdelingen: naarmate $\alpha$ toeneemt (dichter bij 2), neemt de waarde van de statistiek stochastisch af.

Voor de bivariate (tweedimensionale) gevallen worden twee varianten voorgesteld:

1. $S_1$ (Som-methode):
   • Definieer $W_i = X_{1}^{(i)} + X_{2}^{(i)}$.
   • Bereken $S_1$ op de steekproef $W$.
   • Voordeel: Deze statistiek is onafhankelijk van de correlatie ($\rho$) tussen de variabelen en de varianties, zowel voor $\alpha=2$ als $\alpha < 2$.
2. $S_2$ (Kwadraten-methode):
   • Definieer $Y_i = (X_{1}^{(i)})^2 + (X_{2}^{(i)})^2$.
   • Bereken $S_2$ op de steekproef $Y$.
   • Eigenschap: Deze statistiek is afhankelijk van de correlatie en de verhouding van de varianties, uitgedrukt via een parameter $\beta$. De verdeling van $S_2$ is stochastisch dalend in $\beta$.

B. Testprocedure en Schatting

• Hypothese-toetsing: De methode test $H_0: \alpha = 2$ (Gaussisch) tegen $H_1: \alpha < 2$ (zware staart).
• Afwijzingsgebied: Omdat de statistieken stochastisch dalend zijn in $\alpha$, wordt het afwijzingsgebied voor $H_0$ gevormd door waarden die "te groot" zijn (voor linkszijdige toetsen) of "te klein" (afhankelijk van de formulering, maar in dit geval wordt de statistiek kleiner bij hogere $\alpha$, dus een grote waarde wijst op lage $\alpha$). De kritieke waarden worden bepaald via Monte Carlo simulaties.
• Schatting van $\alpha$: Door de toets om te keren (test inversion), kunnen betrouwbaarheidsintervallen voor de stabiliteitsindex $\alpha$ worden geconstrueerd.

3. Belangrijkste Bijdragen

1. Extensie naar Bivariate Gevallen: De auteurs breiden de gewijzigde Greenwood-statistiek succesvol uit van univariate naar bivariate (en potentieel multivariate) sub-Gaussische verdelingen.
2. Twee Nieuwe Teststatistieken: Introductie van $S_1$ en $S_2$ voor bivariate data, waarbij de theoretische eigenschappen (zoals onafhankelijkheid van correlatie bij $S_1$) worden onderzocht.
3. Superieure Prestaties bij $\alpha \approx 2$: De methode is specifiek ontworpen om het onderscheid te maken tussen Gaussische en $\alpha$-stabiele verdelingen wanneer $\alpha$ zeer dicht bij 2 ligt, een scenario waar klassieke methoden vaak falen.
4. Praktische Toepassing: De methode wordt toegepast op reële financiële data (wisselkoersen en koperprijzen) en bewezen effectief in het detecteren van zware staarten in residuen van tijdreeksmodellen.

4. Resultaten

Simulatiestudies:

• De prestaties van de $S_1$- en $S_2$-tests zijn vergeleken met klassieke tests (Mardia's kurtosis/scheefheid, Jarque-Bera, Henze-Zirkler, Royston).
• Kleine steekproeven ($n=10$): De $S_1$-test presteert significant beter dan alle andere geteste methoden, vooral wanneer $\alpha$ dicht bij 2 ligt.
• Middelgrote steekproeven ($n=30$): De $S_1$-test blijft superieur wanneer $\alpha$ zeer dicht bij 2 ligt, hoewel klassieke tests (zoals kurtosis) beter presteren voor lagere $\alpha$-waarden.
• Grote steekproeven ($n=100$): Klassieke tests (Kurtosis, Royston) halen de $S_1$-test in, maar de voorgestelde methode blijft effectief voor het detecteren van kleine afwijkingen van normaliteit.
• Invloed van $\beta$: Voor de $S_2$-test hangt de power af van de parameter $\beta$ (gerelateerd aan correlatie en variantieverhouding). De test is het krachtigst bij $\beta \approx 0$ (hoge correlatie).

Data-analyse (Financiële Data):

• De methode is toegepast op residuen van een VAR-model voor USDPLN-wisselkoersen en koperprijzen (KGHM data), gesplitst in twee regimes (crisis 2008 en stabiele markt).
• Conclusie: Alle tests (inclusief $S_1$, $S_2$ en Mardia's kurtosis) verwerpen de hypothese van bivariate normaliteit.
• Schatting: De berekende 95% betrouwbaarheidsintervallen voor $\alpha$ liggen allemaal onder de 2 (bijv. $[1.69, 1.98]$), wat bevestigt dat de data zware staarten vertonen en beter worden gemodelleerd door een $\alpha$-stabiele verdeling dan een Gaussische.

5. Betekenis en Conclusie

Dit artikel biedt een krachtig en flexibel instrument voor statistici en data-analisten die werken met data die mogelijk zware staarten vertonen.

• Waardevol voor Financiële Modellen: Het biedt een betrouwbare manier om te testen of risicofactoren (zoals wisselkoersen) echt "normaal" zijn of dat ze zeldzame, extreme gebeurtenissen (black swans) vertonen die door de Gaussische verdeling worden onderschat.
• Robuustheid: De methode is bijzonder nuttig in situaties met beperkte data (kleine steekproeven) en wanneer het onderscheid tussen een normale verdeling en een verdeling met een licht zware staart ($\alpha \approx 2$) cruciaal is.
• Toekomstige Toepassingen: Naast financiën wordt de methode ook aangepast voor toepassingen in condition monitoring (vibratie-analyse) en andere gebieden waar niet-Gaussische signalen voorkomen.

Kortom, de auteurs hebben een theoretisch onderbouwde en empirisch gevalideerde methode ontwikkeld die de beperkingen van bestaande normaliteitstests overbrugt, met name in de kritieke zone waar $\alpha$-stabiele verdelingen moeilijk van Gaussische verdelingen te onderscheiden zijn.