技术摘要：一种针对遍历马尔可夫过程拟合优度的新方法

1. 问题陈述

本文探讨了评估动态随机模型（特别是遍历马尔可夫过程）拟合优度的挑战，且无需要求指定备择假设。在许多计量经济学和金融应用中（例如利率衍生品估值），模型输出的可靠性取决于模型的隐含动力学是否与观测到的时间序列数据一致。

经典的规范性检验通常需要一个特定的备择假设，而在复杂的动态设定下，这往往是无法获得或理论上难以明确指定的。虽然现有的拟合优度检验（如 Aït-Sahalia, 1996; Cramér-von Mises）已经存在，但它们面临着局限性：

• Aït-Sahalia (1996)： 依赖于非参数核密度估计，这受到“维度诅咒”的影响（随着状态空间维度的增加，性能迅速下降），并且需要选择平滑参数。
• Cramér-von Mises： 通常比较累积分布函数（CDF）而非密度函数，这在代理人基于涉及密度的损失函数进行优化的决策论背景下，可能难以进行动机说明。
• 有限样本偏差： 基于平稳分布的现有检验在有限样本中可能会因为非参数估计器的收敛缓慢，或由于忽略了时间序列属性而依赖渐近分布，从而产生规模扭曲（size distortions）。

作者寻求一种能够基于其平稳密度将数据与一类模型进行比较的检验方法，该方法不需要平滑参数，无论状态空间维度如何都能保持对局部备择假设的功效，并能考虑到过程的时间序列属性。

2. 方法论：LAE 检验

作者提出了 前瞻估计器（Look-Ahead Estimator, LAE）检验。其核心直觉是将理论上的平稳密度与从数据中导出的特定估计量进行比较，而不使用非参数平滑。

2.1 简单原假设

考虑具有唯一平稳密度 $\psi(y)$ 的马尔可夫转移密度核 $p(x, y)$。根据定义，$\psi$ 满足如下积分方程：
$$\int p(x, y)\psi(x)dx = \psi(y)$$
给定时间序列 $\{X_t\}_{t=1}^n$，作者定义了一个“前瞻”密度估计器：
$$\hat{\psi}_n(y) = \frac{1}{n} \sum_{t=1}^n p(X_t, y)$$
在数据由 $p$ 生成的原假设下，序列 $\{X_t\}$ 是平稳的，其密度为 $\psi$。根据遍历定理，$\hat{\psi}_n(y)$ 收敛于 $\psi(y)$。检验统计量衡量该估计量与理论密度之间的 $L^2$ 偏差：
$$T_n = \frac{1}{n} \int \left( \sum_{t=1}^n \bar{p}(X_t, y) \right)^2 dy$$
其中 $\bar{p}(x, y) = p(x, y) - \psi(y)$。

2.2 渐近理论

本文确立了在几何遍历性和特定混合条件（V-mixing）下，归一化和在希尔伯特空间中收敛于中心化的高斯过程：
$$n^{-1/2} \sum_{t=1}^n \bar{p}(X_t, \cdot) \xrightarrow{d} N(0, \Lambda)$$
因此，检验统计量 $T_n$ 收敛于卡方变量的加权和：
$$T_n \xrightarrow{d} \sum_{\ell=1}^\infty \lambda_\ell Z_\ell^2$$
其中 $\{\lambda_\ell\}$ 是协方差算子 $\Lambda$ 的特征值，该算子显式地取决于原假设下过程的序列相关结构。这使 LAE 检验区别于 Aït-Sahalia 的检验，后者的渐近分布仅取决于平稳分布，这可能导致规模偏差。

2.3 复合原假设与估计参数

在参数 $\theta$ 未知的实际应用中，作者将该检验扩展到参数族 $p(\theta, x, y)$。检验统计量使用 $\sqrt{n}$-一致估计量 $\hat{\theta}_n$：
$$\hat{T}_n = \frac{1}{n} \int \left( \sum_{t=1}^n \bar{p}(\hat{\theta}_n, X_t, y) \right)^2 dy$$
渐近分布经过调整以考虑 $\hat{\theta}_n$ 的随机性，从而得到一个新的协方差算子 $\Sigma_\theta$。临界值通过蒙特卡洛模拟（算法 2）计算，该算法在原假设下模拟过程，重新估计参数，并计算检验统计量以近似 $\hat{T}_n$ 的分布。

2.4 局部备择假设

本文证明了该检验对 $1/\sqrt{n}$ 阶局部备择假设具有非平凡的功效。利用 Le Cam 的连续性（contiguity）概念，研究表明在局部备择假设 $p_n = p + k/\sqrt{n}$ 下，检验统计量收敛于非中心高斯分布，确保了检验能够检测出 $O(n^{-1/2})$ 阶的偏差。

3. 主要贡献与结果

3.1 理论优势

• 无平滑参数： 与 Aït-Sahalia (1996) 不同，LAE 检验不需要核带宽选择，消除了有限样本偏差和用户依赖性的来源。
• 维度： 该检验适用于任意测度空间。与非参数核方法不同，其理论性能不会随状态空间的维度增加而退化。
• 时间序列依赖性： 其渐近分布显式地纳入了原假设下过程的序列相关性，解决了以往检验中存在的规模扭曲问题。
• 一致性： 虽然该检验对于所有备择假设并非都具有一致性（具体而言，它无法区分具有相同平稳分布的模型），但在平稳分布不同的备择假设下，它是具有一致性的，前提是参数空间是有界的且满足标准正则条件。

3.2 有限样本表现（蒙特卡洛证据）

作者重新审视了 Pritsker (1998) 关于利率模型（Vasicek 与 CIR）的实验：

• 规模扭曲： 在 Vasicek 模型模拟（样本量 $n=264$）中，当使用渐近临界值时，Aït-Sahalia 的检验在超过 50% 的情况下拒绝了真实的原假设。而 LAE 检验仅在 4.1% 的情况下拒绝了真实的原假设，有效地解决了规模扭曲问题。
• 功效： 在将 Vasicek 与 CIR 备择假设进行检验时，LAE 检验相对于 Aït-Sahalia 检验和 Cramér-von Mises 检验显示出适度的功效提升。然而，作者指出，所有基于平稳密度的检验在这一特定案例中都被专门针对 CIR 备择假设设计的条件矩检验所超越。这表明，基于密度的检验在这一案例中的低功效源于 CIR 的平稳分布被 Vasicek 系列很好地近似，而非估计不精确。
• 稳健性： 当备择假设涉及重尾冲击（非高斯）时，LAE 检验的表现优于条件矩检验，证明了当备择假设未知或复杂时，基于密度的检验可以更具稳健性。

3.3 实证应用

该检验被应用于美国和加拿大的 GDP 增长率，以测试其是否偏离线性高斯 AR(1) 模型。

• 结果： LAE 检验在 5% 和 10% 的水平上拒绝了美国数据的线性高斯原假设，而针对均值中特定非线性的 LST 检验则未拒绝。
• 解释： 作者认为美国数据包含了一些偏离（可能是非高斯误差），而 LST 检验并非旨在检测此类偏离，这突显了 LAE 检验捕捉一般分布误设的能力。

4. 重要性与主张

本文声称为遍历马尔可夫过程的拟合优度提供了一个“新视角”。其主要意义在于：

1. 解决规模扭曲： 通过避免非参数平滑并考虑时间序列依赖性，LAE 检验相比 Aït-Sahalia (1996) 提供了更可靠的规模控制。
2. 无需明确指定的灵活性： 它允许研究人员在无需指定特定备择假设的情况下，对参数化模型类进行检验，将功效集中在平稳分布的偏差上。
3. 理论严谨性： 它为依赖数据设置下的基于密度的检验提供了一个严谨的渐近框架，包括对估计参数下的局部功效和一致性的证明。

作者对该检验的普适性保持谦逊，承认它无法区分具有相同平稳密度的模型，且其功效集中在平稳分布的不匹配上。他们建议未来的工作可以探索通过权重函数来针对特定的备择假设，但除了提供的实证示例外，并未提出更多的应用场景。