[논문 리뷰] Simulation Study Comparing Two Tests of Second-order Stationarity and Confidence Intervals for Localized Autocovariance

Guy P. Nason|arXiv (Cornell University)|2016. 03. 21.

Image and Signal Denoising Methods참고 문헌 2인용 수 5

한 줄 요약

이 논문은 시뮬레이션을 통해 두 번째 순서 정상성 검정인 Priestley-Subba Rao(PSR) 및 진동 스펙트럼 기반 하르 웨이브렛 검정(HWTOS)을 평가하며, HWTOS가 첨도가 높거나 단위근에 가까운 프로세스에서 뛰어난 성능을 보임을 입증한다. 또한 국소화된 자기공분산 추정치의 근사 정규성을 확립하고, locits 패키지를 사용하여 재현 가능성을 위한 R 명령어를 제공한다.

ABSTRACT

This report compares two tests of second-order stationarity through simulation. It also provides several examples of localised autocovariances and their approximate confidence intervals on different real and simulated data sets. An empirical verification of an asymptotic Gaussianity result is also demonstrated. The commands use to produce figures in a companion paper are also described.

연구 동기 및 목표

• Priestley-Subba Rao(PSR) 및 진동 스펙트럼 기반 하르 웨이브렛 검정(HWTOS)의 경험적 성능을 비교하는 것.
• 비정상적인 시간열에서 국소화된 자기공분산의 신뢰구간 정확도를 평가하는 것.
• 국소 정상성 하에서 국소화된 자기공분산 추정치의 점근적 가우시안성(empirical verification of asymptotic Gaussianity)을 경험적으로 검증하는 것.
• companion paper의 그림을 생성하기 위한 재현 가능한 R 코드를 제공하는 것.
• 특히 절댓값 계수가 높은 AR(1) 과정에서의 변동성 클러스터링과 파rameter 값이 검정의 크기와 검정력에 미치는 영향을 평가하는 것.

제안 방법

• T=512개의 관측값을 가진 7개의 정상적인 시간열 모델(S1–S7)에서 1,000개의 실현값을 시뮬레이션하여 경험적 검정 크기를 추정한다.
• R의 fractal 패키지의 `stationarity` 함수를 통해 PSR 검정을 적용하고, locits 패키지의 `hwtos2` 함수를 통해 HWTOS 검정을 수행한다.
• 다중 검정 하에서 유형 I 오류를 통제하기 위해 HWTOS에 FDR 및 Bonferroni 보정을 적용한다.
• 다양한 윈도우 크기와 지연을 사용하여 `Rvarlacv` 함수로 특정 시점에서의 국소화된 자기공분산(LACV)을 추정한다.
• 시뮬레이션 전반의 추정치 평균과 분산을 사용하여 LACV의 근사 신뢰구간을 구성한다.
• LACV 추정치의 표본분포를 시각화하고 이론적 정규밀도와 비교하여 점근적 정규성을 평가한다.

실험 결과

연구 질문

• RQ1 다양한 정상 모델, 특히 첨도가 높거나 단위근에 가까운 프로세스에서 PSR와 HWTOS 검정의 경험적 크기(유의수준)는 어떻게 비교되는가?
• RQ2 절댓값 계수가 높은 AR(1) 과정(예: α = ±0.9)에 HWTOS 검정을 적용할 때, 적절한 유형 I 오류 비율을 유지하는가?
• RQ3 국소화된 자기공분산 추정치가 어느 정도 정규분포를 따르며, 다양한 표본 크기에서 신뢰구간의 성능은 어떠한가?
• RQ4 α = -0.9인 AR(1) 과정에서의 변동성 클러스터링은 정상성 검정의 해석에 어떤 영향을 미치는가?
• RQ5 companion paper의 주요 그림을 locits 패키지를 사용하여 재현하기 위한 R 명령어와 워크플로우는 무엇인가?

주요 결과

• HWTOS 검정은 PSR보다 더 보수적인 편이며, 특히 경량 꼬리 잡음 하에서 경험적 크기가 일반적으로 명목 수준 5% 이하로 나타난다.
• α = 0.9인 AR(1) 과정에서는 PSR가 경험적 크기가 과도하게 높아(12.4%)지지만, HWTOS는 다중 비교 보정을 통해 명목 수준에 근접한 수준(4.0–4.7%)을 유지한다.
• α = -0.9일 경우 HWTOS는 경험적 크기가 높게 나타나(보정 후 Bonferroni 기준 20.3%), 변동성 클러스터링에 민감함을 보이며, 이 중 약 17%의 기각은 단일 유의미한 웨이브렛 계수 때문이었다.
• PSR는 첨도가 높은 데이터에서는 성능이 열 劣하며, 약 60%의 경우에서 귀무가설을 기각하지만, HWTOS는 더 나은 통제를 유지한다(경험적 크기 약 10–20%).
• 근접 단위근 AR(2) 과정(S7)에서는 PSR의 경험적 크기가 매우 높아(23.9%)지지만, HWTOS는 더 나은 성능을 보이며(7.3–7.4%) 여전히 명목 수준을 초과한다.
• 표본 크기가 증가함에 따라 국소화된 자기공분산 추정치의 표본분포가 정규분포에 매우 가까워지며, T=512에서 T=4096까지의 증가에서 밀도 추정치가 이론적 정규곡선과 잘 일치한다.