[논문 리뷰] Subsampling for General Statistics under Long Range Dependence with application to change point analysis

Annika Betken, Martin Wendler|arXiv (Cornell University)|2015. 09. 18.

Financial Risk and Volatility Modeling참고 문헌 52인용 수 10

한 줄 요약

이 논문은 장기적 의존성 시계열에서 일반 통계량을 위한 서브샘플링 방법을 제안하며, 부수적 파rameter 추정이 필요 없이 타당한 추론을 가능하게 한다. 장기적 의존성 하에서 서브샘플링의 점근적 타당성을 서브오더드 가우시안 과정에 대해 수립하고, 자가정규화된 변화점 검정에 적용하여 장기 기억성 하에서도 구조적 붕괴를 일관되게 탐지한다.

ABSTRACT

In the statistical inference for long range dependent time series the shape of the limit distribution typically depends on unknown parameters. Therefore, we propose to use subsampling. We show the validity of subsampling for general statistics and long range dependent subordinated Gaussian processes which satisfy mild regularity conditions. We apply our method to a self-normalized change-point test statistic so that we can test for structural breaks in long range dependent time series without having to estimate any nuisance parameter. The finite sample properties are investigated in a simulation study. We analyze three data sets and compare our results to the conclusions of other authors.

연구 동기 및 목표

• 표준 점근적 추론을 방해하는 장기적 의존성 시계열에서의 알려지지 않은 극한 분포 형태 문제를 다루기.
• 장기적 의존성 하에서 실패하는 이동 블록 부트스트랩과 같은 부트스트랩 방법의 한계를 극복하기.
• 허스트 지수나 기억 파라미터와 같은 알려지지 않은 파라미터 추정이 필요 없는 비모수적 서브샘플링 접근법 개발하기.
• 일반 통계량에 대해 장기적 의존성 하에서 서브샘플링의 이론적 타당성을 수립하여 부분 합을 초과하는 적용 가능성 확장하기.
• 스케일링 상수의 사전 추정이 필요 없는 자가정규화된 변화점 검정 통계량에 방법을 적용하여 구조적 붕괴 탐지하기.

제안 방법

• 블록 크기 $ l_n $ 의 겹치는 블록을 사용하여 서브샘플링을 수행하며, 여기서 $ l_n \to \infty $ 이고 $ l_n = o(n) $ 이다.
• 블록 통계량 $ T_{l,i} $ 가 $ T_n $ 과 동일한 극한 분포로 수렴함을 활용하여 표본 분포를 경험적으로 추정한다.
• 글리벤코–칸텔리 정리를 적용하여 경험분포함수 $ \hat{F}_{l,n}(t) $ 가 진짜 분포함수 $ F_T(t) $ 로의 균일 수렴을 보여준다.
• 정상성과 믹싱 조건을 활용하여 경험분포의 분산을 통제하고 확률 수렴을 보장한다.
• 포터의 정리와 헤르미트 순서에 대한 모멘트 경계를 활용하여 공분산 항목에서의 장기적 의존성 영향을 통제한다.
• 천천히 변화하는 함수 $ L_\gamma $ 에 대한 온건한 정규성 조건을 확립하여, 장기적 의존성 과정의 넓은 클래스에 대해 방법이 작동함을 보장한다.

실험 결과

연구 질문

• RQ1 알려지지 않은 파라미터에 의존하는 극한 분포를 가진 장기적 의존성 시계열에서 일반 통계량에 대해 서브샘플링이 점근적으로 타당한가?
• RQ2 변화점 검정에서 허스트 지수나 기억 파라미터와 같은 부수적 파라미터 추정이 필요 없는가?
• RQ3 장기 기억성을 가진 서브오더드 가우시안 과정의 복잡한 의존성 구조에 대해 서브샘플링 접근법이 강건한가?
• RQ4 유한 표본에서 장기적 의존성 자료의 구조적 붕괴 탐지에 대해 서브샘플링 방법은 어떻게 성능을 보이는가?
• RQ5 점근 분포가 분수 브라운 운동의 함수인 자가정규화된 통계량에 대해 서브샘플링을 적용할 수 있는가?

주요 결과

• 일반 통계량에 대해 장기적 의존성 하에서 서브오더드 가우시안 과정에 대해 서브샘플링은 온건한 정규성 조건 하에서 점근적으로 타당하다.
• 경험분포함수의 균일 수렴이 보장되어 진짜 극한 분포로의 추론이 신뢰성 있게 이루어진다.
• 경험분포 추정기의 분산이 0으로 수렴하며, 이는 장기적 의존성 하에서 일관성 확보에 필수적이다.
• 극한 분포가 비정규이고 알려지지 않은 파라미터에 의존하는 경우에도 변화점 검정에서 부수적 파라미터 추정이 필요 없음을 성공적으로 해결한다.
• 시뮬레이션 연구는 서브샘플링 기반 변화점 검정의 양호한 유한표본 성능을 확인한다.
• 세 개의 실제 데이터 세트에 대한 실증 분석은 제안된 방법이 다른 접근법과 일관된 결론을 도출함을 보여주어 실용적 유용성을 검증한다.