[論文レビュー] On testing for high-dimensional white noise

Zeng Li, Clifford Lam+2 more|arXiv (Cornell University)|Aug 10, 2018

Random Matrices and Applications参考文献 1被引用数 5

ひとこと要約

本稿では、最初の q 階差の標本自己共分散行列の特異値の二乗和を用いて、成分系列間および内部の系列相関を集約することで、高次元のホワイトノイズに対する新しい合成検定を提案する。高次元漸近的枠組み（p, T → ∞）において、帰無仮説および特定の VMA(1) 対立仮説の下で、検定統計量は漸近的に正規分布に従い、主要なパラメータの一貫した推定が可能であるため、実用的な実装が可能となり、従来の Hosking 検定および Li-McLeod 検定に比べて有限標本性能が優れている。

ABSTRACT

Testing for white noise is a classical yet important problem in statistics, especially for diagnostic checks in time series modeling and linear regression. For high-dimensional time series in the sense that the dimension $p$ is large in relation to the sample size $T$, the popular omnibus tests including the multivariate Hosking and Li-McLeod tests are extremely conservative, leading to substantial power loss. To develop more relevant tests for high-dimensional cases, we propose a portmanteau-type test statistic which is the sum of squared singular values of the first $q$ lagged sample autocovariance matrices. It, therefore, encapsulates all the serial correlations (upto the time lag $q$) within and across all component series. Using the tools from random matrix theory and assuming both $p$ and $T$ diverge to infinity, we derive the asymptotic normality of the test statistic under both the null and a specific VMA(1) alternative hypothesis. As the actual implementation of the test requires the knowledge of three characteristic constants of the population cross-sectional covariance matrix and the value of the fourth moment of the standardized innovations, non trivial estimations are proposed for these parameters and their integration leads to a practically usable test. Extensive simulation confirms the excellent finite-sample performance of the new test with accurate size and satisfactory power for a large range of finite $(p,T)$ combinations, therefore ensuring wide applicability in practice. In particular, the new tests are consistently superior to the traditional Hosking and Li-McLeod tests.

研究の動機と目的

• p が T に対して大きい高次元時系列において、Hosking や Li-McLeod のような古典的オムニバス検定が著しく保守的かつパワーを失う問題に対処すること。
• ベクトル自己回帰モデルや要因モデルにおけるモデル診断に適した、実用的でスケーラブルな高次元ホワイトノイズ検定を構築すること。
• 確率的行列理論を活用して、有限標本の挙動に素早く収束する漸近的分布を導出し、高次元設定における精度を向上させること。
• 母集団の横断的共分散行列の3つの特徴的定数および発生誤差の4次のモーメントを推定し、検定の実用的実装を可能とすること。

提案手法

• 検定統計量は、最初の q 階差の標本自己共分散行列の特異値の二乗和として定義され、すべての成分系列およびラグにおける系列相関を捉える。
• 確率的行列理論の道具を用いて、帰無仮説および特定の VMA(1) 対立仮説の下で、検定統計量の漸近的正規性を導出する。
• 標本モーメントおよびスペクトル特性を用いて、母集団の横断的共分散行列の3つの特徴的定数を一貫して推定する。
• 標準化された発生誤差の4次モーメントを、データの尖度に類似した関数型に基づくロバスト推定器を用いて非自明に推定する。
• 漸近的分布に推定パラメータを代入することで検定を実装し、実用的でサイズ補正済みの検定を得る。
• 多様な (p, T) 組合せ、特に高次元比 p/T を含む、広範なシミュレーションにより有限標本性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 p ≈ T または p > T のような高次元設定において、Hosking や Li-McLeod のような古典的オムニバス検定はどのように性能を示すか？
• RQ2 高次元時系列において、すべての成分系列およびラグにわたる系列相関を効果的に捉える新しい検定統計量を構築できるか？
• RQ3 高次元極限において、帰無仮説および特定の VMA(1) 対立仮説の下で、提案された検定が漸近的に正規分布に従うか？
• RQ4 母集団パラメータ（3つの特徴的定数および発生誤差の4次モーメント）が高次元設定で一貫して推定可能か？
• RQ5 広範な (p, T) 組合せにおいて、新しい検定は従来の手法と比べてサイズとパワーの点でどのように差を示すか？

主な発見

• 提案された検定 Gq および Gq,1 は、すべてのテストされた (p, T) 組合せ、特に高次元比 p/T においても、正確なサイズ制御を達成する。一方、Hosking や Li-McLeod のような従来の検定は、名目の5%に対して実際のサイズが約0.1%にまで低下する深刻なサイズ歪みを示す。
• 新しい検定は、すべてのシナリオで高いパワーを維持し、p ≥ 250 かつ T ≥ 5000 の場合、中程度の系列相関下でも調整済パワーが90%のケースで1.0に達する。
• Hosking や Li-McLeod 検定は、平均、分散、95百分位数の推定値に巨大な相対誤差を示しており、p/T = 0.9 時に分散の誤差が最大9170%に達するなど、有限標本近似が著しく劣っていることが判明した。
• 提案された検定の推定パラメータ（特徴的定数および4次モーメント）は、安定で正確な検定統計量をもたらし、ほとんどのケースで平均および分散の相対誤差が1%未満に収まる。
• 高次元比 p/T の状況（例：p/T = 0.9）において、新しい検定は小標本サイズ（T = 600）でもパワーが0.95以上を維持するが、従来の検定はパワーを急速に失う。
• 古典的検定が失敗する高次元設定において、新しい検定はサイズとパワーの両面で Hosking や Li-McLeod に常に優れている。