[论文解读] Aggregation and long memory: recent developments

Remigijus Leipus, Anne Philippe+2 more|arXiv (Cornell University)|Jun 14, 2013

Complex Systems and Time Series Analysis参考文献 57被引用 7

一句话总结

本文综述了随机系数 AR(1) 过程同时聚合的最新进展，展示了此类聚合如何在所得宏观过程中产生长记忆。研究证明，当个体 AR(1) 过程的自回归系数具有在单位根处呈正则变体的密度时，聚合过程表现出长程依赖性，其自协方差和谱密度呈现幂律衰减，为计量经济学时间序列中的长记忆现象提供了微观基础解释。

ABSTRACT

It is well-known that the aggregated time series might have very different properties from those of the individual series, in particular, long memory. At the present time, aggregation has become one of the main tools for modelling of long memory processes. We review recent work on contemporaneous aggregation of random-coefficient AR(1) and related models, with particular focus on various long memory properties of the aggregated process.

研究动机与目标

• 研究具有随机系数的异质 AR(1) 过程的同时聚合如何在聚合的宏观过程中产生长记忆。
• 阐明聚合过程表现出长程依赖性的条件，特别是当系数密度在单位根处呈正则变体时。
• 开发并分析从观测到的聚合时间序列中对自回归系数混合密度的统计估计方法。
• 将理论框架扩展至非高斯和随机场模型，并评估估计量的一致性和渐近正态性。
• 为经济时间序列中的长记忆现象提供微观经济基础，以反驳基于“虚假长记忆”的解释。

提出的方法

• 使用独立同分布的随机系数 AR(1) 过程及其独立同分布的创新项进行同时（横截面）聚合，以定义宏观过程 $\mathfrak{X}_N(t)$。
• 应用经典中心极限定理，证明 $\mathfrak{X}_N(t)$ 的有限维分布弱收敛于一个平稳高斯过程 $\mathfrak{X}(t)$。
• 在假设系数密度 $\phi(x) \sim c_\phi (1-x)^\beta$ 在 $x=1$ 附近成立，且 $0 < \beta < 1$ 的条件下，推导出自协方差函数 $\mathrm{E}\mathfrak{X}(0)\mathfrak{X}(t) \sim c \, t^{-\beta}$ 的渐近行为。
• 分析聚合过程的谱密度，证明当 $y \to 0$ 时，$f(y) \sim c_f \, y^{-(1-\beta)}$，通过低频奇异性确认长记忆的存在。
• 提出基于 $L^2$ 加权 $(1-x^2)^\alpha$ 下的 Gegenbauer 多项式正交展开，利用聚合过程的样本自协方差对混合密度 $\phi$ 进行非参数估计。
• 调整参数化和基于最大似然估计（MLE）的 $\phi$ 估计方法，包括对估计系数进行截断，并在 $n$、$N$ 和 $h$ 的正则条件下证明收敛性。

实验结果

研究问题

• RQ1 在何种条件下，异质 AR(1) 过程的同时聚合会导致聚合过程中出现长记忆？
• RQ2 聚合过程的谱密度如何反映长记忆？其在零频附近的渐近行为是什么？
• RQ3 能否从观测到的聚合时间序列数据中一致估计自回归系数的混合密度 $\phi$？
• RQ4 所提出的非参数和参数估计量 $\phi$ 的渐近性质（一致性与正态性）是什么？
• RQ5 这些结果如何推广到非高斯和随机场模型？现有估计量在这些设定下的局限性是什么？

主要发现

• 当系数密度 $\phi(x)$ 在 $x=1$ 处呈正则变体且指数 $\beta \in (0,1)$ 时，聚合过程 $\mathfrak{X}(t)$ 表现出长记忆，导致幂律衰减 $\mathrm{E}\mathfrak{X}(0)\mathfrak{X}(t) \sim c \, t^{-\beta}$。
• 在零频附近，聚合过程的谱密度行为为 $f(y) \sim c_f \, y^{-(1-\beta)}$，通过低频奇异性确认了长记忆的存在。
• 基于 Gegenbauer 多项式展开的非参数估计量 $\widehat{\phi}_n(x)$ 在 $L^2$ 加权意义下是一致的，当 $K_n \sim \gamma \log n$ 时，有 $\int_{-1}^1 \frac{\mathrm{E}(\widehat{\phi}_n(x) - \phi(x))^2}{(1-x^2)^\alpha} dx \to 0$。
• 对于每个固定的 $x \in (-1,1)$，估计量 $\widehat{\phi}_n(x)$ 是渐近正态的，满足 $\frac{\widehat{\phi}_n(x) - \mathrm{E}\widehat{\phi}_n(x)}{\sqrt{\mathrm{Var}(\widehat{\phi}_n(x))}} \xrightarrow{d} N(0,1)$。
• 使用估计的 $\sigma^2 = \widehat{\gamma}_n(0) - \widehat{\gamma}_n(2)$ 的修正估计量在概率意义下仍保持一致，满足 $\int_{-1}^1 \frac{(\widehat{\phi}_n(x) - \phi(x))^2}{(1-x^2)^\alpha} dx \xrightarrow{P} 0$。
• 在参数假设下（如 Beta 分布）基于 MLE 的 $\phi$ 估计量在 $n,N \to \infty$，$h \to 0$，且 $\sqrt{N}h^{\min(p,q)} \to 0$，$\sqrt{N}h^{-2}n^{-1} \to 0$ 的条件下，是一致且渐近正态的。