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

技术摘要：通过 1/f 噪声从非平稳性到平稳性

问题陈述
本文解决了时间序列分析中的一个根本挑战，即区分真实的非平稳性与长记忆平稳性。这两种现象都表现出缓慢衰减的样本自协方差和相似的低频行为，使得它们难以区分。虽然针对记忆参数 $d \in (-1/2, 1/2)$ 的平稳过程以及 $d \in [1/2, 3/2)$ 的非平稳过程已有大量文献，但边界情况 $d = 1/2$（称为 1/f 噪声或“刚好非平稳”情况）呈现出特定的理论困难。现有的检验方法，如 Giraitis 等人（2006）提出的时域 V/S 检验，随着 $d$ 趋近于 $1/2$，其经验尺寸会出现膨胀，无法区分不同机制间的细微差异。此外，Robinson（1994, 2003）等人的完全参数化方法依赖于特定的线性滤波假设，并需要预白化步骤，当存在短记忆分量时，这些步骤可能会降低性能。

方法论
作者提出了一种无需估计记忆参数 $d$ 的非参数检验程序。该方法建立在以下理论和统计组件之上：

1. 统一渐近框架：本文推导了时间序列在固定数量傅里叶频率处的离散傅里叶变换（DFT）的联合极限分布，覆盖整个 $d \in (-1/2, 3/2)$ 范围。这涵盖了平稳（$d < 1/2$）和非平稳（$d \ge 1/2$）机制，包括边界 $d=1/2$。

2. 对数修正：一个关键的理论见解是，在边界 $d=1/2$ 处，标准归一化不足以使样本均值和样本方差具有非退化极限。作者证明，为了使这些统计量收敛到明确的渐近分布，需要一个 $\log(n)$ 的归一化因子。

3. 检验统计量构建：提出的检验统计量 $Q_n(s)$ 结合了三个要素：

   • 样本均值（具体为部分和的差，$D_n$）。
   • 样本方差。
   • 有限数量的低频周期图 ordinates（$I_n(\lambda_j)$）。

   该统计量定义为：
   $$Q_n(s) := \frac{D_n^2}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} + \sum_{j=1}^s \frac{I_n(\lambda_j)}{\frac{1}{n}\sum_{k=1}^n (X_k - \bar{X}_n)^2} \log(k+1)$$
   其中 $D_n$ 代表前 $m$ 个观测值的均值与后 $m$ 个观测值的均值之差（其中 $m \approx \sqrt{n}$）。

主要贡献与结果

• 定理 2.1（联合 DFT 极限）：确立了 $d \in (-1/2, 3/2)$ 过程的 DFT 实部和虚部的渐近联合正态性。极限分布为高斯分布，具有显式的协方差结构 $\Sigma(d)$，该结构取决于 $d$ 是位于平稳、边界还是非平稳范围内。
• 定理 2.2（$d=1/2$ 处的样本均值和方差）：证明了对于 $d=1/2$，经 $\sqrt{\log(n)}$ 归一化的样本均值 $\bar{X}_n$ 收敛于正态分布。此外，确立了经 $n \log(n)$ 归一化的样本方差收敛于一个常数，且平方均值与方差的比率收敛于 $\chi^2(1)$ 分布。
• 命题 3.1（检验统计量的极限分布）：
  • 在原假设下（$H_0$：$d \ge 1/2$ 的非平稳性或确定性趋势），如果 $d > 1/2$，统计量 $Q_n(s)$ 发散至无穷大。如果 $d = 1/2$，它收敛于独立 $\chi^2(1)$ 变量的有限加权和。如果存在确定性趋势，统计量也会发散。
  • 在备择假设下（$H_1$：$d < 1/2$ 的平稳性），统计量依概率收敛于 0。
  • 这使得可以构建一个一致检验，其拒绝域为 $R = \{Q_n(s) < q(\alpha, s)\}$，其中 $q(\alpha, s)$ 是 $d=1/2$ 下极限分布的分位数。

模拟结果
本文通过广泛的蒙特卡洛模拟验证了所提出的方法，将 $Q_n(s)$ 与 Robinson（1994）的高效非平稳性检验（$\tilde{r}$）及其预白化版本进行了比较。

• 对短记忆的鲁棒性：即使数据生成过程包含短记忆 AR 分量，所提出的统计量 $Q_n(s)$ 仍保持良好的功效和尺寸控制。相比之下，Robinson 的检验 $\tilde{r}$ 仅在纯 FARIMA 模型中表现良好，但在存在 AR 分量时性能显著下降，即使经过预白化处理也是如此。
• 聚合过程：该检验对于模拟长记忆但非分数的聚合随机系数 AR(1) 过程仍保持鲁棒性。
• 结构突变：该检验成功检测出由均值中的确定性结构突变引起的非平稳性，而 Robinson 的检验在这些场景中往往无法拒绝非平稳性的原假设（错误地接受原假设）。
• 边界性能：在临界边界 $d=1/2$ 处，$Q_n(s)$ 的经验尺寸保持在接近名义水平（例如 0.05），而其他方法通常表现出较高的经验尺寸。

意义与主张
作者声称，这项工作的主要贡献是推导了跨越平稳和非平稳机制的 DFT 统一渐近框架，特别是解决了 $d=1/2$ 边界处的行为问题。由此产生的检验统计量提供了一种计算高效、无参数的方法，用于区分平稳行为与分数或非平稳性。与以前的方法不同，该方法不依赖于关于线性滤波的参数假设，也不需要预白化步骤，使其对模型设定错误和短记忆动态更具鲁棒性。本文将其定位为对 $1/f$ 噪声边界附近平稳与非平稳行为之间“微妙”区别的一种解决方案，提供了一个可处理的极限分布（$\chi^2$ 变量的加权和），这与经典时域检验典型的随机积分极限形成对比。