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

Technische Samenvatting: Van Non-stationariteit naar Stationariteit via 1/f-ruis

Probleemstelling
Het artikel behandelt de fundamentele uitdaging in de tijdsreeksanalyse om onderscheid te maken tussen echte non-stationariteit en stationariteit met lange geheugen. Beide fenomenen vertonen langzaam afnemende steekproefautocovarianties en vergelijkbaar gedrag bij lage frequenties, wat het moeilijk maakt ze van elkaar te onderscheiden. Hoewel er uitgebreide literatuur bestaat voor stationaire processen met een geheugenparameter $d \in (-1/2, 1/2)$, en voor non-stationaire processen met $d \in [1/2, 3/2)$, vormt de grensgeval $d = 1/2$ (bekend als 1/f-ruis of het "net niet-stationaire" geval) specifieke theoretische moeilijkheden. Bestaande tests, zoals de tijd-domein V/S-test voorgesteld door Giraitis et al. (2006), lijden onder geinflatieerde empirische groottes naarmate $d$ naar $1/2$ nadert, waardoor ze subtiel verschillen tussen regimes niet kunnen onderscheiden. Bovendien vertrouwen volledig parametrische benaderingen, zoals die van Robinson (1994, 2003), op specifieke aannames over lineaire filters en vereisen ze whitening-stappen die de prestaties kunnen verslechteren wanneer componenten met kort geheugen aanwezig zijn.

Methodologie
De auteurs stellen een niet-parametrische testprocedure voor die geen schatting van de geheugenparameter $d$ vereist. De methodologie is gebaseerd op de volgende theoretische en statistische componenten:

1. Gecombineerd Asymptotisch Kader: Het artikel leidt de gezamenlijke limietverdeling af van de Discrete Fourier-transformaties (DFT) van een tijdsreeks bij een vast aantal Fourier-frequenties voor het volledige bereik $d \in (-1/2, 3/2)$. Dit dekt zowel stationaire ($d < 1/2$) als non-stationaire ($d \ge 1/2$) regimes, inclusief de grens $d=1/2$.

2. Logaritmische Correcties: Een belangrijke theoretische inzicht is dat bij de grens $d=1/2$ standaardnormalisatie onvoldoende is om de steekproefgemiddelde en steekproefvariantie niet-degenererende limieten toe te laten. De auteurs tonen aan dat een normalisatiefactor van $\log(n)$ vereist is voor deze statistieken om te convergeren naar expliciete asymptotische verdelingen.

3. Constructie van de Teststatistiek: De voorgestelde teststatistiek, $Q_n(s)$, combineert drie elementen:

   • Het steekproefgemiddelde (specifiek een verschil van partiële sommen, $D_n$).
   • De steekproefvariantie.
   • Een eindig aantal periodogramordinaten bij lage frequenties ($I_n(\lambda_j)$).

   De statistiek is gedefinieerd als:
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   waarbij $D_n$ het verschil voorstelt tussen het gemiddelde van de eerste $m$ waarnemingen en het gemiddelde van de laatste $m$ waarnemingen (met $m \approx \sqrt{n}$).

Belangrijkste Bijdragen en Resultaten

• Stelling 2.1 (Grenswaarde van gezamenlijke DFT): Vestigt de asymptotische gezamenlijk normaliteit van de reële en imaginaire delen van de DFT voor processen met $d \in (-1/2, 3/2)$. De limietverdeling is Gaussisch met een expliciete covariantiestructuur $\Sigma(d)$, die varieert afhankelijk van of $d$ zich in het stationaire, grens- of non-stationaire bereik bevindt.
• Stelling 2.2 (Steekproefgemiddelde en -variantie bij $d=1/2$): Bewijst dat voor $d=1/2$ het steekproefgemiddelde $\bar{X}_n$, genormaliseerd door $\sqrt{\log(n)}$, convergeert naar een normale verdeling. Verder wordt vastgesteld dat de steekproefvariantie, wanneer genormaliseerd door $n \log(n)$, convergeert naar een constante, en dat de verhouding van het gekwadrateerde gemiddelde tot de variantie convergeert naar een $\chi^2(1)$-verdeling.
• Propositie 3.1 (Limietverdeling van de Teststatistiek):
  • Onder de nulhypothese ($H_0$: non-stationariteit met $d \ge 1/2$ of deterministische trends), divergeert de statistiek $Q_n(s)$ naar oneindig als $d > 1/2$. Als $d = 1/2$, convergeert deze naar een eindige gewogen som van onafhankelijke $\chi^2(1)$-variabelen. Als een deterministische trend bestaat, divergeert de statistiek eveneens.
  • Onder het alternatief ($H_1$: stationariteit met $d < 1/2$), convergeert de statistiek in waarschijnlijkheid naar 0.
  • Dit maakt de constructie mogelijk van een consistente test met een verwerpingsgebied $R = \{Q_n(s) < q(\alpha, s)\}$, waarbij $q(\alpha, s)$ het kwantiel is van de limietverdeling onder $d=1/2$.

Simulatie-resultaten
Het artikel valideert de voorgestelde methode door middel van uitgebreide Monte Carlo-simulaties waarbij $Q_n(s)$ wordt vergeleken met de efficiënte non-stationariteitstest van Robinson (1994) ($\tilde{r}$) en de gewhitende versie daarvan.

• Robuustheid ten opzichte van Kort Geheugen: De voorgestelde statistiek $Q_n(s)$ behoudt goede power en controle van de grootte, zelfs wanneer het data-genererende proces componenten met kort geheugen (AR) bevat. Daarentegen presteert de test van Robinson $\tilde{r}$ alleen goed voor pure FARIMA-modellen, maar verslechtert deze aanzienlijk in aanwezigheid van AR-componenten, zelfs met whitening.
• Geaggregeerde Processen: De test blijft robuust voor geaggregeerde random-coefficient AR(1)-processen, die lange geheugen nabootsen maar niet fractioneel zijn.
• Structurele Breuken: De test detecteert succesvol non-stationariteit die voortkomt uit deterministische structurele breuken in het gemiddelde, terwijl de test van Robinson in deze scenario's vaak faalt om de nulhypothese van non-stationariteit te verwerpen (en de nulhypothese dus onterecht aanvaardt).
• Prestaties bij de Grens: Bij de kritieke grens $d=1/2$ blijft de empirische grootte van $Q_n(s)$ dicht bij het nominale niveau (bijvoorbeeld 0,05), terwijl andere methoden vaak hoge empirische groottes vertonen.

Betekenis en Claims
De auteurs claimen dat de primaire bijdrage van dit werk de afleiding is van een gecombineerd asymptotisch kader voor DFT's over stationaire en non-stationaire regimes, met name het oplossen van het gedrag bij de $d=1/2$-grens. De resulterende teststatistiek biedt een computationeel efficiënte, parameterloze methode om stationair gedrag te onderscheiden van fractionele of deterministische non-stationariteit. In tegenstelling tot eerdere benaderingen, vertrouwt deze methode niet op parametrische aannames met betrekking tot het lineaire filter en vereist het geen whitening-stappen, waardoor het robuuster is voor modelmisspecificatie en dynamiek met kort geheugen. Het artikel positioneert dit als een oplossing voor het "subtiele" onderscheid tussen stationair en non-stationair gedrag in de buurt van de 1/f-ruisgrens, en biedt een hanteerbare limietverdeling (een gewogen som van $\chi^2$-variabelen) die contrasteert met de stochastische integraal-limieten die typisch zijn voor klassieke tijd-domein tests.