Fractional lower-order covariance-based measures for cyclostationary time series with heavy-tailed distributions: application to dependence testing and model order identification

Título: Medidas de Covariância de Ordem Fracionária Inferior Baseadas em Covariância para Séries Temporais Cicloestacionárias com Distribuições de Cauda Pesada: Aplicação em Testes de Dependência e Identificação de Ordem de Modelo

1. Problema e Motivação

As séries temporais cicloestacionárias (onde características estatísticas variam periodicamente) são fundamentais em diversas áreas, como monitoramento de condições, comunicações e hidrologia. A teoria clássica para analisar tais séries baseia-se em processos correlacionados periodicamente (PC), que utilizam a função de autocovariância (ACVF) e a autocorrelação (ACF).

No entanto, muitos dados reais exibem distribuições de cauda pesada (heavy-tailed), frequentemente modeladas por distribuições $\alpha$-estáveis, onde a variância é infinita. Neste cenário:

• A ACVF clássica não está definida (diverge).
• Os métodos tradicionais de análise de cicloestacionariedade falham.
• É necessário um novo arcabouço teórico que utilize medidas de dependência robustas, válidas mesmo para variáveis com variância infinita.

2. Metodologia Proposta

Os autores propõem um novo framework baseado na Covariância de Ordem Fracionária Inferior (FLOC - Fractional Lower-Order Covariance) para analisar séries temporais cicloestacionárias com variância infinita (denominadas FLOC-cicloestacionárias).

Conceitos Fundamentais:

• FLOC: Uma generalização da covariância clássica, definida como $FLOC(Y_1, Y_2; A, B) = E[Y_1^{\langle A \rangle} Y_2^{\langle B \rangle}]$, onde $\langle \cdot \rangle$ denota a potência sinalizada e $A+B < \alpha$ (índice de estabilidade).
• Novas Medidas de Dependência:
  1. peFLOACF (Função de Autocorrelação Fracionária de Ordem Inferior Periódica): Uma versão normalizada da função de autocovariância FLOC. É definida para capturar a dependência linear em séries com variância infinita, mantendo a propriedade de invariância de escala.
  2. peFLOPACF (Função de Autocorrelação Parcial Fracionária de Ordem Inferior Periódica): Uma generalização da autocorrelação parcial, baseada em equações de Yule-Walker adaptadas para FLOC.

Propriedades Chave:

• Propriedade de "Corte" (Cut-off):
  • Para modelos de Média Móvel Periódica (PMA) com inovações independentes, a peFLOACF torna-se zero para defasagens maiores que a ordem do modelo ($|h| > q$).
  • Para modelos Autorregressivos Periódicos (PAR), a peFLOPACF torna-se zero para defasagens maiores que a ordem do modelo ($h > p$).
  • Isso permite a identificação de ordem de modelos, análoga aos métodos clássicos para séries finitas.

3. Contribuições Principais

O artigo introduz duas aplicações práticas baseadas nas novas medidas:

1. Teste de Portmanteau para Dependência:

   • Desenvolvimento de um teste estatístico para verificar se uma série FLOC-cicloestacionária é ruído branco periódico (sem dependência) ou se possui dependência.
   • O teste utiliza a soma quadrática das estimativas da peFLOACF em múltiplas defasagens, comparando-as com regiões críticas obtidas via simulação de Monte Carlo.
   • Inclui correção de Bonferroni para lidar com múltiplos testes (um para cada fase do período).

2. Identificação de Ordem de Modelos PAR e PMA:

   • Algoritmos para identificar as ordens ($p$ e $q$) de modelos Autorregressivos Periódicos (PAR) e de Média Móvel Periódica (PMA) em cenários de variância infinita.
   • O método baseia-se na inspeção visual ou estatística do "corte" nas funções peFLOPACF (para PAR) e peFLOACF (para PMA), utilizando intervalos de confiança construídos via simulação.

4. Resultados e Validação

Os autores validaram as metodologias através de:

• Estudo de Simulação (Monte Carlo):

  • Teste de Dependência: Avaliou a potência empírica do teste para diferentes valores de coeficientes em modelos PAR e PMA. Os resultados mostraram que o teste atinge eficiência perfeita (potência próxima de 100%) para séries com coeficientes de dependência moderados a fortes e tamanhos de amostra maiores ($N=1000$).
  • Identificação de Ordem: Demonstrou que as ordens sazonais e globais dos modelos PAR e PMA são corretamente identificadas na maioria dos casos, especialmente quando os coeficientes não estão próximos de zero e o tamanho da amostra é adequado. A eficiência melhora significativamente com o aumento do tamanho da amostra.

• Análise de Dados Reais (Poluição do Ar):

  • Aplicação em dados diários de material particulado (PM10) da região de Vitória, Brasil.
  • Os dados exibiam outliers e comportamento de cauda pesada, invalidando modelos Gaussianos tradicionais.
  • O modelo ajustado foi um PAR com inovações $\alpha$-estáveis (variância infinita).
  • O teste de portmanteau confirmou a presença de dependência nos dados originais.
  • A identificação de ordem sugeriu um modelo PAR de ordem variável (globalmente ordem 3).
  • A análise dos resíduos do modelo ajustado mostrou ausência de dependência significativa (os resíduos passaram no teste de portmanteau), validando a adequação do modelo proposto.

5. Significância e Conclusão

Este trabalho preenche uma lacuna crítica na análise de séries temporais não estacionárias com comportamentos extremos (outliers e variância infinita).

• Generalização: Estende as ferramentas clássicas de análise cicloestacionária (ACF, PACF, testes de Box-Pierce/Ljung-Box) para o domínio de distribuições de cauda pesada.
• Robustez: Oferece métodos que não falham na presença de variância infinita, onde métodos baseados em momentos de segunda ordem são inaplicáveis.
• Aplicabilidade Prática: Demonstra que a metodologia é viável para problemas reais complexos, como monitoramento ambiental, fornecendo uma caixa de ferramentas robusta para modelagem e diagnóstico de séries temporais com características não-Gaussianas.

Em suma, o artigo estabelece uma base teórica e prática sólida para a análise de processos cicloestacionários em ambientes de dados "sujos" ou extremos, propondo medidas de dependência (peFLOACF e peFLOPACF) que se comportam de maneira análoga às suas contrapartes clássicas, mas com a robustez necessária para distribuições $\alpha$-estáveis.