[论文解读] A Darling-Erd\H{o}s-type CUSUM-procedure for functional data II

Leonid Torgovitski|arXiv (Cornell University)|Jul 14, 2014

Statistical Methods and Inference参考文献 8被引用 3

一句话总结

该论文将Darling-Erdös型CUSUM程序扩展至弱相依下的函数型数据，采用长期函数主成分（FPCs）进行降维。在$L^\kappa$-$m$-可逼近性框架下建立了渐近理论，推导了变化点估计，并通过模拟和真实电力数据验证了方法的稳健性能。

ABSTRACT

This article considers testing for mean-level shifts in functional data. The class of the famous Darling-Erd\\H{o}s-type cumulative sums (CUSUM) procedures is extended to functional time series under short range dependence conditions which are satisfied by functional analogues of many popular time series models including the linear functional AR and the non-linear functional ARCH. We follow a data driven, projection-based approach where the lower-dimensional subspace is determined by (long run) functional principal components which are eigenfunctions of the long run covariance operator. This second-order structure is generally unknown and estimation is crucial - it plays an even more important role than in the classical univariate setup because it generates the finite-dimensional subspaces. We discuss suitable estimates and demonstrate empirically that altogether this change-point procedure performs well under moderate temporal dependence. Moreover, Darling-Erd\\H{o}s-type change-point estimates based on (long run) functional principal components as well as the corresponding "fully-functional" counterparts are provided and the testing procedure is finally applied to publicly accessible electricity data from a German power company.

研究动机与目标

• 开发一种在弱相依条件下检测函数型时间序列变化点的程序，将经典的Darling-Erdös渐近理论推广至函数型设置。
• 引入长期函数主成分（FPCs）作为数据驱动的基于投影的降维技术，以提升均值变化检测的统计功效与稳定性。
• 在$L^\kappa$-$m$-可逼近过程下，建立CUSUM检验统计量的渐近分布，该框架适用于线性和非线性函数型时间序列模型。
• 比较基于投影的估计与全函数型估计的性能，并评估其在有限样本下的表现。
• 通过蒙特卡洛模拟和德国真实电力数据集，展示该方法在实际中的有效性。

提出的方法

• 采用基于投影的CUSUM程序，将函数型观测值投影到由长期函数主成分（FPCs）张成的有限维子空间上。
• 使用长期协方差算子的特征函数（即长期FPCs）作为降维的基，这些基由数据估计得到，可捕捉弱相依下的二阶结构。
• 在$L^\kappa$-$m$-可逼近性框架下，推导CUSUM检验统计量的渐近分布，该框架包含函数型AR和ARCH过程。
• 证明长期FPC估计量的一致性，并推导估计变化点位置的收敛速率。
• 应用核加权经验协方差估计器来近似长期协方差算子，仔细选择带宽与截断参数。
• 在投影空间中推导多变量CUSUM过程的Darling-Erdös极限定理，考虑降维带来的影响。

实验结果

研究问题

• RQ1 在弱相依条件下，特别是针对均值水平变化检测时，能否将经典Darling-Erdös极限定理推广至函数型数据？
• RQ2 使用长期函数主成分如何提升函数型时间序列中基于CUSUM的变化点检测性能？
• RQ3 当底层过程为$L^\kappa$-$m$-可逼近时，CUSUM检验统计量的渐近性质是什么？其与独立同分布或$m$-依赖设定下的性质有何不同？
• RQ4 在中等程度时间相依下，基于投影的估计与全函数型估计在准确性和稳健性方面有何差异？
• RQ5 所提出的方法在现实世界函数型数据（如高频电力负荷曲线）中的表现如何？

主要发现

• 论文在$L^\kappa$-$m$-可逼近性下，建立了投影CUSUM过程的Darling-Erdös极限定理，将经典结果推广至具有弱依赖性的函数型数据。
• 估计变化点位置的收敛速率为$\mathcal{O}_P((h_n/n)^{1/2}h_n + h_n^{-\rho}\sum_{i=1}^{m_n} i^\rho \delta(i) + m_n/\exp(cm_n))$，其中$m_n = \lfloor(\log n)/c\rfloor$确保偏差可忽略。
• 在$L^\kappa$-$m$-可逼近性框架下，长期FPC估计量是一致的，且其估计误差随截断水平$m_n$指数衰减。
• 蒙特卡洛模拟结果表明，该方法在中等程度时间相依下表现良好，经验大小接近名义水平，对检测均值变化具有良好的功效。
• 在真实德国电力数据上的应用揭示了可检测到的均值水平变化，证明了该方法的实际适用性与稳健性。
• 论文表明，在给定依赖结构下，基于投影的估计与全函数型估计在渐近意义上等价，验证了降维方法的有效性。