[论文解读] Spectral methods for small sample time series: A complete periodogram approach

Sourav Das, Suhasini Subba Rao+1 more|arXiv (Cornell University)|Jul 1, 2020

Complex Systems and Time Series Analysis参考文献 32被引用 4

一句话总结

本文提出了一种新颖的“完整周期图”，通过在观测数据边界之外引入最佳线性预测值，减少了小时间序列谱分析中的有限样本偏差。通过用包含未观测滞后预测值的完整离散傅里叶变换（DFT）替代标准DFT，该方法得到了谱密度的无偏估计量，其估计版本相比经典周期图显著降低了偏差，尤其在小样本及谱峰附近表现更优。

ABSTRACT

The periodogram is a widely used tool to analyze second order stationary time series. An attractive feature of the periodogram is that the expectation of the periodogram is approximately equal to the underlying spectral density of the time series. However, this is only an approximation, and it is well known that the periodogram has a finite sample bias, which can be severe in small samples. In this paper, we show that the bias arises because of the finite boundary of observation in one of the discrete Fourier transforms which is used in the construction of the periodogram. Moreover, we show that by using the best linear predictors of the time series over the boundary of observation we can obtain a "complete periodogram" that is an unbiased estimator of the spectral density. In practice, the "complete periodogram" cannot be evaluated as the best linear predictors are unknown. We propose a method for estimating the best linear predictors and prove that the resulting "estimated complete periodogram" has a smaller bias than the regular periodogram. The estimated complete periodogram and a tapered version of it are used to estimate parameters, which can be represented in terms of the integrated spectral density. We prove that the resulting estimators have a smaller bias than their regular periodogram counterparts. The proposed method is illustrated with simulations and real data.

研究动机与目标

• 为解决经典周期图在样本量较小时，尤其是谱密度具有陡峭峰值时存在的严重有限样本偏差问题。
• 开发一种理论基础坚实的经典周期图替代方法，通过引入未观测时间序列值的预测，将偏差降低至O(n⁻¹)以下。
• 证明基于最佳线性预测的完整周期图在二阶平稳条件下是谱密度的无偏估计量。
• 提出一种可行的估计程序，利用估计的预测值实现完整周期图的实用化。
• 通过模拟和太阳黑子数据的真实世界分析验证该方法，显示其在峰值振幅估计方面的改进。

提出的方法

• 通过基于观测序列{Xt}t=1n，将常规DFT扩展至包含对τ < 1和τ > n的Xτ的最佳线性预测，定义完整离散傅里叶变换（DFT）。
• 将完整周期图定义为完整DFT模平方：Ĩn(ω) = |J̃n(ω)|²，证明其为真实谱密度f(ω)的无偏估计量。
• 利用协方差关系cov[J̃n(ω), Jn(ω)] = f(ω)建立完整周期图无偏性的理论基础。
• 使用样本自协方差估计未知的最佳线性预测，并通过求解Yule-Walker方程构建“估计完整周期图”。
• 对估计的完整周期图应用数据窗函数，以进一步减少泄漏和偏差，得到“窗化估计完整周期图”。
• 利用所得周期图估计可表示为谱密度积分的参数，证明其偏差显著低于经典周期图估计量。

实验结果

研究问题

• RQ1 通过引入未观测时间序列值的预测，能否将经典周期图的有限样本偏差降低至O(n⁻¹)以下？
• RQ2 基于完整DFT的完整周期图，在二阶平稳条件下是否能提供谱密度的无偏估计量？
• RQ3 在小样本中，估计完整周期图在偏差和均方误差方面与经典周期图和窗化周期图相比表现如何？
• RQ4 完整周期图是否能更好地捕捉谱峰的振幅，尤其是在存在陡峭或主导频率时？
• RQ5 该方法在大样本中是否仍保持其优势？与真实世界数据（如太阳黑子活动）中的经典方法相比表现如何？

主要发现

• 完整周期图在理论上对谱密度f(ω)是无偏的，其偏差阶数低于O(n⁻¹)，而经典周期图的偏差为O(n⁻¹)。
• 在小样本中，估计完整周期图的偏差显著低于经典周期图，某些情况下偏差从O(n⁻¹)降低至O(n⁻²)。
• 在模拟中，对于小样本量（n = 20, 50）的AR(1)和ARMA(1,1)模型，估计完整周期图的偏差降低了50%–70%，尤其在谱峰附近表现更优。
• 对于太阳黑子数据（n = 3168），完整周期图在11年周期处检测到更高的峰值振幅（7.1×10⁵），优于常规周期图（6.98×10⁵）和窗化周期图（6.25×10⁵），表明其振幅估计更优。
• 经Bartlett窗平滑后，完整周期图与窗化完整周期图均显示出更显著且清晰的11年周期峰，同时更好地捕捉了9.1–12.6年之间的准周期带。
• 该方法在真实数据中表现出稳健性，完整周期图在保持真实谱形状和振幅方面优于经典方法，即使在大样本中亦表现优异。