On testing for independence between generalized error models of several time series

Resumo Técnico: Teste de Independência entre Modelos de Erros Generalizados de Séries Temporais

Autores: Kilani Ghoudi, Bouchra R. Nasri e Bruno N. Rémillard.
Contexto: Estatística, Séries Temporais Multivariadas, Modelos de Copula e Distribuições Mistas.

1. O Problema

A independência condicional entre séries temporais é fundamental para a modelagem e previsão. Tradicionalmente, os testes de independência focam em resíduos de modelos com distribuições contínuas (como modelos de volatilidade estocástica - SV). No entanto, muitos dados do mundo real são discretos (ex: contagens de crimes, número de acidentes) ou mistos (distribuições com massa de probabilidade em pontos específicos, como modelos inflacionados de zeros).

O desafio principal é desenvolver um teste de independência robusto que:

1. Funcione para distribuições arbitrárias (contínuas, discretas ou mistas).
2. Seja aplicável a séries temporais multivariadas com dependência dinâmica complexa.
3. Não dependa da estimativa dos parâmetros dos modelos univariados individuais para a distribuição assintótica dos testes.

2. Metodologia Proposta

Os autores propõem uma abordagem baseada em erros generalizados (ou inovações generalizadas) e processos empíricos.

A. Definição de Inovações Generalizadas (Erros)
Para lidar com distribuições não contínuas, o artigo utiliza uma técnica de randomização proposta por Brockwell (2007). Dada uma série temporal $X_t$ e sua função de distribuição condicional $G_t(y) = P(X_t \le y | \mathcal{F}_{t-1})$, define-se uma nova variável $U_t$ (o erro generalizado) como:
$$U_t = G_t(X_{t-}) + V_t \Delta G_t(X_t)$$
Onde:

• $V_t$ é uma variável aleatória uniforme i.i.d. independente de $X_t$.
• $\Delta G_t(y)$ é o salto na função de distribuição em $y$.
• Resultado: As variáveis $U_t$ são independentes e uniformemente distribuídas em $(0,1)$, mesmo que $X_t$ tenha distribuição discreta ou mista. Isso permite tratar séries discretas no mesmo framework de copulas usado para séries contínuas.

B. Modelagem Multivariada
A dependência entre as séries é modelada através de uma copula condicional $C_t$. A hipótese nula ($H_0$) de independência condicional é equivalente a afirmar que a copula condicional é a copula de independência ($\Pi$) para todos os tempos $t$.

C. Processos Empíricos e Transformações de Möbius
Para testar a independência, os autores constroem processos empírios baseados em defasagens (lags) das pseudo-observações (os erros generalizados estimados).

• Eles definem processos empíricos $K_{n,\ell}$ e $C_{n,\ell}$ baseados em defasagens $\ell$.
• Para obter estruturas de covariância tratáveis e aumentar o poder do teste, aplicam-se transformações de Möbius a esses processos, focando em subconjuntos de séries ($A \subset \{1, \dots, d\}$) com $|A| > 1$.

D. Estatísticas de Teste
São propostas várias estatísticas baseadas nos processos transformados:

1. Estatísticas do Tipo Cramér-von Mises ($S_{n,A,\ell}$): Integrais quadradas dos processos empíricos.
2. Correlações Cruzadas Generalizadas ($\hat{r}_{n,A,\ell}$): Baseadas em momentos lineares.
3. Medidas de Dependência Baseadas em Copulas: Extensões multivariadas de Spearman ($\rho_S$), Van der Waerden e Savage.
4. Combinação de Testes: Estatísticas agregadas ($W_n, F_n, H_n, H_{K,n}$) que combinam resultados de diferentes defasagens e subconjuntos de séries para aumentar o poder contra uma ampla gama de alternativas.

E. Resultados Assintóticos
O principal resultado teórico (Teorema 1 e Corolários) demonstra que, sob a hipótese nula de independência:

• Os processos empíricos convergem para processos Gaussianos centrais.
• A distribuição limite é livre de parâmetros (não depende dos parâmetros estimados dos modelos univariados individuais).
• A distribuição limite é a mesma obtida anteriormente para modelos de volatilidade estocástica contínuos, estendendo esses resultados para o caso geral de distribuições arbitrárias.

3. Contribuições Chave

1. Generalização para Distribuições Arbitrárias: O trabalho é o primeiro a fornecer um framework rigoroso para testar a independência condicional em séries temporais com distribuições mistas (contínuas + discretas), superando a limitação de métodos anteriores restritos a dados contínuos.
2. Extensão de Resultados Existentes: Estende os resultados de Duchesne, Ghoudi & Rémillard (2012) (focados em SV) e Kheifets & Velasco (2017) (focados em dados univariados discretos) para o contexto multivariado com erros generalizados.
3. Robustez e Poder: Demonstra que o uso de técnicas de randomização e transformações de Möbius permite a construção de testes com distribuição limite conhecida e alta potência, mesmo na presença de descontinuidades nas marginais.
4. Implementação Prática: Todas as metodologias foram implementadas no pacote R IndGenErrors disponível no CRAN, facilitando a aplicação prática.

4. Resultados Experimentais e Aplicações

Simulações (Experimentos Numéricos):

• Nível e Poder: Os testes mantêm níveis de significância próximos aos nominais (ex: 5%) mesmo para amostras pequenas ($n=100$).
• Comparação de Estatísticas: A estatística $W_n$ (combinação de Cramér-von Mises) mostrou-se geralmente superior ou comparável a outras, sendo robusta a diferentes tipos de dependência (Gaussiana, Clayton, Frank, Tent Map).
• Efeito da Randomização: Para dados discretos, o uso de uma única randomização ($M=1$) produz testes livres de distribuição, mas com uma pequena perda de poder. A média sobre múltiplas randomizações ($M \ge 25$) recupera o poder, aproximando-o do caso contínuo, embora exija reamostragem (bootstrap) para obter valores-p exatos.
• Marginais: O desempenho dos testes baseados em $W_n$ e $F_n$ é robusto a mudanças nas distribuições marginais (Gaussiana, Exponencial, Pareto), enquanto estatísticas baseadas apenas em correlação ($H_n$) podem perder poder em distribuições não-Gaussianas.

Aplicações Reais:

1. Dados Financeiros (NASDAQ):
   • Dados: Retornos de Apple, Intel e Hewlett-Packard.
   • Abordagem: A Intel possui retornos zero frequentes (distribuição mista). Foi ajustado um modelo HMM (Hidden Markov Model) com regime inflacionado de zeros.
   • Resultado: Os erros generalizados mostraram dependência significativa sem covariáveis. Ao incluir o retorno do índice NASDAQ como covariável, a hipótese de independência condicional não foi rejeitada, indicando que o mercado (NASDAQ) explica a dependência entre as ações.
2. Dados de Criminalidade (Pittsburgh):
   • Dados: Séries temporais de crimes (Roubo e Mischief) e Furto de Veículos (1990-1999).
   • Abordagem: Uso de modelos INGARCH (para dados de contagem) e HMM Poisson.
   • Resultado: Inicialmente, havia dependência entre Roubo e Furto de Veículos. Após ajustar modelos dinâmicos individuais para cada série, os testes indicaram que os erros generalizados eram independentes, sugerindo que a dependência observada era explicada pela dinâmica interna de cada série e não por uma relação causal direta residual.

5. Significância

Este artigo preenche uma lacuna crítica na econometria e estatística de séries temporais. Ao permitir o teste de independência para distribuições arbitrárias, ele viabiliza a modelagem correta de sistemas complexos onde dados contínuos e discretos coexistem (ex: finanças com "zeros" e contagens de eventos). A metodologia oferece uma ferramenta diagnóstica poderosa para validar modelos multivariados, garantindo que as inovações residuais sejam realmente independentes, o que é um pré-requisito essencial para previsões precisas e simulações de risco. A disponibilidade do pacote IndGenErrors democratiza o acesso a essas técnicas avançadas para pesquisadores e praticantes.