ARM: Detector-Agnostic Changepoint Attribution with Finite-Sample Error Control

Resumo Técnico: ARM (Atribuição por Máximos de Rank)

Definição do Problema
Na detecção de pontos de mudança multivariados, identificar quando ocorre uma mudança estrutural é distinto da questão operacional de quais coordenadas (variáveis) são responsáveis. A prática padrão envolve aplicar um teste de duas amostras a cada coordenada em um ponto de mudança estimado $\hat{\tau}$ específico. O artigo argumenta que essa abordagem é estatisticamente inválida. Como $\hat{\tau}$ é selecionado dos dados para maximizar a evidência agregada, testar as coordenadas nesse ponto selecionado refere um estatístico selecionado a uma distribuição nula não selecionada. Esse "uso duplo" (double-dipping) infla a taxa de erro Tipo-I, um fenômeno que piora à medida que a dimensão $d$ aumenta. A literatura existente oferece soluções incompletas: procedimentos de nível de bloco dependem de limites de união aditivos (introduzindo folga), métodos de seleção de variáveis de alta dimensão fornecem rankings sem garantias de erro em amostras finitas, e a literatura de inferência pós-detecção tipicamente controla o erro ao longo do eixo temporal, em vez do eixo das coordenadas.

Metodologia: O Wrapper ARM
Os autores propõem o ARM (Atribuição por Máximos de Rank), um wrapper agnóstico ao detector que aceita um ponto de mudança estimado $\hat{\tau}$ de qualquer detector de caixa-preta, mas não depende de sua precisão para a validade.

1. Estatística de Máximo sobre Splits: Em vez de testar em $\hat{\tau}$, o ARM pontua cada coordenada $j$ usando uma estatística $M_j$ definida como o máximo sobre uma grade de candidatos a divisões (splits) $t$ e dois canais de evidência (localização e escala):
   $$M_j = \max_{t \in G} \max \{ Z^{\text{loc}}_j(t), Z^{\text{sc}}_j(t) \}$$
   onde $Z^{\text{loc}}$ e $Z^{\text{sc}}$ são estatísticas de localização de Wilcoxon e de escala de Mood baseadas em ranks dentro da coluna. Como $Z_j(\hat{\tau}) \leq M_j$ para qualquer divisão, a estatística $M_j$ é invariante à escolha de $\hat{\tau}$ pelo detector.

2. Imunidade à Seleção (Selection-Proofness): Como $M_j$ é computado independentemente de $\hat{\tau}$, o certificado de atribuição resultante é "imune à seleção". A validade do teste não depende de $\hat- \tau$ ser preciso ou estar deslocado.

3. Mecanismos de Controle de Erro:

   • Validade por Coordenada: Sob a hipótese nula de nenhuma mudança marginal, a distribuição de $M_j$ depende apenas do tamanho da amostra e da grade, não do detector ou de outras coordenadas.
   • Taxa de Erro por Família (FWER): O ARM emprega um teste de permutação conjunta Westfall–Young. Ao permutar as linhas (pontos temporais) através de todas as colunas simultaneamente, o método preserva a dependência entre coordenadas. Isso fornece controle exato de FWER forte. Um fallback Holm totalmente livre de distribuição está disponível caso as condições de pivotabilidade de subconjunto não sejam atendidas.
   • Taxa de Descoberta Falsa (FDR): Para configurações de alta dimensão, o ARM controla o FDR sob dependência arbitrária de coordenadas usando Benjamini–Yekutieli (BY) aplicado a p-valores de permutação, ou o procedimento e-BH aplicado a e-valores impulsionados (boosted).

4. Rotulagem de Tipo: Cada coordenada certificada recebe um rótulo descritivo ("localização" ou "escala") baseado em qual canal ($Z^{\text{loc}}$ ou $Z^{\text{sc}}$) contribuiu com o valor máximo para $M_j$. Este rótulo é descritivo e não faz parte da declaração formal de controle de erro.

Principais Contribuições

• Formulação: O artigo formula a atribuição como um wrapper que fornece controle de erro de amostra finita por coordenada, válido em um ponto de mudança estimado, eliminando a necessidade de folga de limite de união aditivo.
• Garantias Teóricas:
  • Teorema 1: Estabelece a validade por coordenada sob qualquer detector.
  • Teorema 2: Prova o controle exato de FWER forte via permutação conjunta, preservando as estruturas de dependência.
  • Teorema 3: Demonstra o controle de FDR sob dependência arbitrária usando BY e e-BH.
• Robustez: O método é livre de distribuição (baseando-se em ranks) e robusto a caudas pesadas e dependência entre coordenadas.

Resultados

• Efeito de Seleção: Simulações mostram que o teste padrão por coordenada em $\hat{\tau}$ infla o FWER para mais de 0,66 conforme a dimensão cresce (ex: $d=20$), enquanto o ARM mantém o nível nominal (0,10) independentemente do deslocamento do detector.
• Validade: O ARM mantém o controle sob distribuições de cauda pesada (Cauchy, $t_3$), várias estruturas de dependência (modelos de fator, equicorrelacionados) e diferentes saídas de detectores.
• Poder e Granularidade: Em cenários de sinais fortes, o ARM alcança altos F1 scores (0,98+) para atribuição de coordenadas individuais, superando testes de bloco grosseiros e fornecendo resultados certificados onde métodos baseados em ranking (como o WAVE) oferecem apenas rankings não garantidos.
• Altas Dimensões: Em $d=200$, tanto os procedimentos BY quanto e-BH controlam com sucesso o FDR enquanto recuperam o conjunto completo de coordenadas alteradas.
• Aplicação em Dados Reais: Aplicado a cinco séries financeiras em torno do colapso do Lehman Brothers em 2008, o ARM atribuiu uma mudança de escala (mudança de volatilidade) a todas as cinco classes de ativos, enquanto excluiu corretamente três coordenadas de controle injetadas. O erro de localização de dois dias do detector no ponto de mudança não afetou as conclusões de atribuição.

Significância e Alegações
O artigo afirma que o ARM fornece a primeira formulação para atribuição de pontos de mudança que é simultaneamente:

1. Agnóstica ao Detector: Válida independentemente da precisão do ponto de mudança estimado.
2. Exata: Oferecendo controle de erro de amostra finita sem a folga do limite de união aditivo.
3. Robusta: Válida sob caudas pesadas e dependência arbitrária entre coordenadas.
4. Granular: Fornecendo certificados para coordenadas individuais em vez de blocos predefinidos.

Os autores posicionam o ARM como uma camada de inferência completa que pode ser pareada com qualquer camada de estimação (ex: WAVE) ou detector. O método refina um "alarme de mercado amplo" em uma declaração específica e certificada sobre quais ativos mudaram e a natureza dessa mudança, uma capacidade anteriormente indisponível com garantias de erro rigorosas. O artigo reconhece limitações, observando que o controle exato assume linhas independentes (dependência serial requer aproximação) e que os rótulos de tipo são atualmente descritivos, não formalmente certificados.