[论文解读] 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 5

一句话总结

该论文提出了一种用于高维白噪声的新型复合检验方法，通过将前 q 个滞后样本自协方差矩阵的奇异值平方和来聚合跨分量序列及内部的序列相关性。在高维渐近理论（p, T → ∞）下，该检验统计量在原假设及特定 VMA(1) 替代假设下均渐近服从正态分布，通过一致估计关键参数，实现了实际应用，并在有限样本下表现优于传统的 Hosking 和 Li-McLeod 检验。

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.

研究动机与目标

• 为解决在 p 相对于 T 较大时，经典整体检验（如 Hosking 和 Li-McLeod）出现的严重保守性与功效损失问题。
• 开发一种实用且可扩展的高维白噪声诊断检验方法，适用于向量自回归模型与因子模型中的模型检验。
• 利用随机矩阵理论推导出收敛速度较快的渐近分布，从而在高维设定下提升有限样本行为的准确性。
• 一致估计总体横截面协方差矩阵的三个特征常数以及扰动项的四阶矩，从而实现该检验在实际中的可实施性。

提出的方法

• 检验统计量定义为前 q 个滞后样本自协方差矩阵的奇异值平方和，以捕捉所有分量序列及滞后下的序列相关性。
• 利用随机矩阵理论工具，推导出在原假设及特定 VMA(1) 替代假设下检验统计量的渐近正态性。
• 通过样本矩与谱性质，一致估计总体横截面协方差矩阵的三个特征常数。
• 通过基于数据的峰度类函数的稳健估计器，非平凡地估计标准化扰动项的四阶矩。
• 通过将估计参数代入渐近分布，实现检验的实施，从而获得具有适当尺寸的实用检验。
• 通过在多种 (p, T) 组合下进行大量模拟，验证了其在有限样本下的性能表现，包括高 p/T 比值的情形。

实验结果

研究问题

• RQ1 在 p ≈ T 或 p > T 的高维设定下，经典整体检验（如 Hosking 和 Li-McLeod）的表现如何？
• RQ2 能否构造一种新的检验统计量，以有效捕捉高维时间序列中所有分量序列及内部的序列相关性？
• RQ3 在高维极限下，所提出的检验是否在原假设及特定 VMA(1) 替代假设下均实现渐近正态性？
• RQ4 在高维设定下，未知的总体参数（三个特征常数及扰动项的四阶矩）能否被一致估计？
• RQ5 在广泛的 (p, T) 组合下，新检验在尺寸与功效方面与现有方法相比如何？

主要发现

• 所提出的检验 Gq 和 Gq,1 在所有测试的 (p, T) 组合下（包括高 p/T 比值）均实现了准确的尺寸控制，而 Hosking 和 Li-McLeod 等传统检验则表现出严重的尺寸扭曲，实际尺寸约为 0.1% 而非名义上的 5%。
• 新检验在所有情形下均保持高功效，当 p ≥ 250 且 T ≥ 5000 时，调整后的功效在 90% 的情况下达到 1.0，即使在中等序列相关性下也成立。
• Hosking 和 Li-McLeod 检验在均值、方差及第 95 百分位数估计上表现出巨大的相对误差——当 p/T = 0.9 时，方差估计的相对误差最高达 9170%，表明其有限样本近似性能极差。
• 所提检验估计的参数（特征常数与四阶矩）使检验统计量保持稳定且准确，多数情况下均值与方差的相对误差低于 1%。
• 在高 p/T 制（如 p/T = 0.9）下，即使样本量较小（T = 600），新检验的功效仍保持在 0.95 以上，而传统检验则迅速丧失功效。
• 在尺寸与功效方面，该检验始终优于 Hosking 和 Li-McLeod 检验，尤其在经典检验失效的高维设定下表现更优。