[论文解读] Spectral analysis of linear time series in moderately high dimensions

Lili Wang, Alexander Aue+1 more|arXiv (Cornell University)|Apr 23, 2015

Random Matrices and Applications参考文献 8被引用 3

一句话总结

该论文在中等高维线性时间序列中建立了归一化和对称化样本自协方差矩阵的经验谱分布的几乎必然收敛性，其中维度 $ p $ 和样本大小 $ n $ 同时趋于无穷大，且满足 $ p/n \to 0 $。在独立同分布的创新项具有有限四阶矩，且系数矩阵为厄米特矩阵并可同时对角化的假设下，通过斯蒂尔杰斯变换刻画了极限谱分布，并对应于实轴上的非随机极限。

ABSTRACT

This article is concerned with the spectral behavior of $p$-dimensional linear processes in the moderately high-dimensional case when both dimensionality $p$ and sample size $n$ tend to infinity so that $p/n o0$. It is shown that, under an appropriate set of assumptions, the empirical spectral distributions of the renormalized and symmetrized sample autocovariance matrices converge almost surely to a nonrandom limit distribution supported on the real line. The key assumption is that the linear process is driven by a sequence of $p$-dimensional real or complex random vectors with i.i.d. entries possessing zero mean, unit variance and finite fourth moments, and that the $p imes p$ linear process coefficient matrices are Hermitian and simultaneously diagonalizable. Several relaxations of these assumptions are discussed. The results put forth in this paper can help facilitate inference on model parameters, model diagnostics and prediction of future values of the linear process.

研究动机与目标

• 分析当维度 $ p $ 和样本大小 $ n $ 均较大且满足 $ p/n \to 0 $ 时，$ p $-维线性过程的谱行为。
• 建立归一化和对称化样本自协方差矩阵的经验谱分布（ESD）几乎必然收敛到非随机极限分布。
• 在系数矩阵和创新分布的结构假设下，刻画这些矩阵的极限谱分布（LSD）。
• 为高维时间序列中的模型参数推断、诊断和预测提供基础。
• 将经典结果如半圆律（Bai & Yin, 1988）推广至具有时间依赖性和横截面依赖性的高维时间序列情形。

提出的方法

• 定义对称化滞后-$ \tau $ 样本自协方差矩阵 $ \mathbf{S}_{\tau} $ 及其总体对应矩阵 $ \mathbf{\Sigma}_{\tau} $，然后构造归一化矩阵 $ \mathbf{C}_{\tau} = \sqrt{n/p}(\mathbf{S}_{\tau} - \mathbf{\Sigma}_{\tau}) $。
• 假设线性过程由均值为零、方差为单位、四阶矩有限的 $ p $-维独立同分布创新项驱动。
• 施加结构假设：系数矩阵为厄米特矩阵且可同时对角化，以确保联合谱结构。
• 使用斯蒂尔杰斯变换刻画矩阵 $ \mathbf{C}_{\tau} $ 的极限谱分布（LSD），并将其与一元线性过程的传递函数联系起来。
• 应用随机矩阵理论中的工具，包括矩方法和集中不等式，证明经验谱分布向极限谱分布的收敛性。
• 通过讨论涉及系数矩阵多项式迹的极限的替代条件，放宽结构假设，受自由概率理论的启发。

实验结果

研究问题

• RQ1 在中等高维情形（$ p/n \to 0 $）下，归一化和对称化样本自协方差矩阵的经验谱分布是否几乎必然收敛？
• RQ2 矩阵 $ \mathbf{C}_{\tau} = \sqrt{n/p}(\mathbf{S}_{\tau} - \mathbf{\Sigma}_{\tau}) $ 的极限谱分布（LSD）是什么？如何刻画它？
• RQ3 LSD 如何依赖于线性过程的时间依赖结构，特别是通过传递函数？
• RQ4 这些结果能否超越对系数矩阵可同时对角化的假设？
• RQ5 LSD 对高维时间序列中模型参数推断和预测有何影响？

主要发现

• 在给定的渐近框架下，矩阵 $ \mathbf{C}_{\tau} $ 的经验谱分布几乎必然收敛到实轴上支撑的非随机极限分布。
• 极限谱分布通过斯蒂尔杰斯变换刻画，并依赖于底层一元线性过程的传递函数。
• LSD 是非退化的，且不同于半圆律，反映了高维设定下时间依赖的影响。
• 收敛性在弱正则性条件下成立：独立同分布的创新项具有零均值、单位方差和有限四阶矩。
• 厄米特矩阵且可同时对角化的结构假设可放宽为涉及这些矩阵多项式迹的平均极限的条件。
• 结果为分析线性谱统计量以及将一元标准误界推广至高维时间序列提供了基础。