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

Resumo Técnico: Da Não Estacionariedade à Estacionariedade via Ruído 1/f

Declaração do Problema
O artigo aborda o desafio fundamental na análise de séries temporais de distinguir entre não estacionariedade genuína e estacionariedade de memória longa. Ambos os fenômenos exibem autocovariâncias amostrais que decaem lentamente e comportamento de baixa frequência similar, tornando-os difíceis de diferenciar. Embora exista literatura extensa para processos estacionários com um parâmetro de memória $d \in (-1/2, 1/2)$, e para processos não estacionários com $d \in [1/2, 3/2)$, o caso limite $d = 1/2$ (conhecido como ruído 1/f ou o caso "apenas não estacionário") apresenta dificuldades teóricas específicas. Testes existentes, como o teste V/S no domínio do tempo proposto por Giraitis et al. (2006), sofrem de tamanhos empíricos inflacionados à medida que $d$ se aproxima de $1/2$, falhando em distinguir diferenças sutis entre os regimes. Além disso, abordagens totalmente paramétricas, como as de Robinson (1994, 2003), dependem de suposições específicas de filtros lineares e requerem etapas de pré-branqueamento que podem degradar o desempenho quando componentes de memória curta estão presentes.

Metodologia
Os autores propõem um procedimento de teste não paramétrico que não requer a estimação do parâmetro de memória $d$. A metodologia é construída sobre os seguintes componentes teóricos e estatísticos:

1. Estrutura Assintótica Unificada: O artigo deriva a distribuição limite conjunta das Transformadas Discretas de Fourier (DFT) de uma série temporal em um número fixo de frequências de Fourier para a faixa inteira $d \in (-1/2, 3/2)$. Isso cobre tanto os regimes estacionários ($d < 1/2$) quanto não estacionários ($d \ge 1/2$), incluindo o limite $d=1/2$.

2. Correções Logarítmicas: Uma insight teórico chave é que, no limite $d=1/2$, a normalização padrão é insuficiente para que a média amostral e a variância amostral admitam limites não degenerados. Os autores demonstram que um fator de normalização de $\log(n)$ é necessário para que essas estatísticas convirjam para distribuições assintóticas explícitas.

3. Construção da Estatística de Teste: A estatística de teste proposta, $Q_n(s)$, combina três elementos:

   • A média amostral (especificamente uma diferença de somas parciais, $D_n$).
   • A variância amostral.
   • Um número finito de ordenadas do periodograma de baixa frequência ($I_n(\lambda_j)$).

   A estatística é definida como:
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   onde $D_n$ representa a diferença entre a média das primeiras $m$ observações e a média das últimas $m$ observações (com $m \approx \sqrt{n}$).

Principais Contribuições e Resultados

• Teorema 2.1 (Limite Conjunto da DFT): Estabelece a normalidade assintótica conjunta das partes real e imaginária da DFT para processos com $d \in (-1/2, 3/2)$. A distribuição limite é Gaussiana com uma estrutura de covariância explícita $\Sigma(d)$, que varia dependendo se $d$ está na faixa estacionária, de limite ou não estacionária.
• Teorema 2.2 (Média e Variância Amostrais em $d=1/2$): Prova que, para $d=1/2$, a média amostral $\bar{X}_n$ normalizada por $\sqrt{\log(n)}$ converge para uma distribuição normal. Além disso, estabelece que a variância amostral, quando normalizada por $n \log(n)$, converge para uma constante, e a razão do quadrado da média pela variância converge para uma distribuição $\chi^2(1)$.
• Proposição 3.1 (Distribuição Limite da Estatística de Teste):
  • Sob a hipótese nula ($H_0$: não estacionariedade com $d \ge 1/2$ ou tendências determinísticas), a estatística $Q_n(s)$ diverge para infinito se $d > 1/2$. Se $d = 1/2$, ela converge para uma soma ponderada finita de variáveis independentes $\chi^2(1)$. Se uma tendência determinística existir, a estatística também diverge.
  • Sob a hipótese alternativa ($H_1$: estacionariedade com $d < 1/2$), a estatística converge em probabilidade para 0.
  • Isso permite a construção de um teste consistente com uma região de rejeição $R = \{Q_n(s) < q(\alpha, s)\}$, onde $q(\alpha, s)$ é o quantil da distribuição limite sob $d=1/2$.

Resultados de Simulação
O artigo valida o método proposto através de extensas simulações de Monte Carlo comparando $Q_n(s)$ com o teste eficiente de não estacionariedade de Robinson (1994) ($\tilde{r}$) e sua versão pré-branqueada.

• Robustez à Memória Curta: A estatística proposta $Q_n(s)$ mantém bom poder e controle de tamanho mesmo quando o processo gerador de dados inclui componentes AR de memória curta. Em contraste, o teste de Robinson $\tilde{r}$ performa bem apenas para modelos FARIMA puros, mas deteriora-se significativamente na presença de componentes AR, mesmo com pré-branqueamento.
• Processos Agregados: O teste permanece robusto para processos AR(1) de coeficientes aleatórios agregados, que imitam memória longa, mas não são fracionários.
• Quebras Estruturais: O teste detecta com sucesso a não estacionariedade decorrente de quebras estruturais determinísticas na média, enquanto o teste de Robinson frequentemente falha em rejeitar a hipótese nula de não estacionariedade nesses cenários (aceitando incorretamente a hipótese nula).
• Desempenho no Limite: No limite crítico $d=1/2$, o tamanho empírico de $Q_n(s)$ permanece próximo do nível nominal (por exemplo, 0,05), enquanto outros métodos frequentemente exibem tamanhos empíricos elevados.

Significado e Alegações
Os autores afirmam que a principal contribuição deste trabalho é a derivação de uma estrutura assintótica unificada para DFTs através dos regimes estacionário e não estacionário, resolvendo especificamente o comportamento no limite $d=1/2$. A estatística de teste resultante oferece um método computacionalmente eficiente e livre de parâmetros para distinguir comportamento estacionário de não estacionariedade fracionária ou determinística. Ao contrário de abordagens anteriores, este método não depende de suposições paramétricas sobre o filtro linear nem requer etapas de pré-branqueamento, tornando-o mais robusto a má especificação do modelo e dinâmicas de memória curta. O artigo posiciona isso como uma solução para a distinção "sutil" entre comportamento estacionário e não estacionário próximo ao limite do ruído 1/f, fornecendo uma distribuição limite tratável (uma soma ponderada de variáveis $\chi^2$) que contrasta com os limites de integrais estocásticas típicos de testes clássicos no domínio do tempo.