[论文解读] Structural Breaks in Time Series

Alessandro Casini, Pierre Perrón|arXiv (Cornell University)|May 10, 2018

Forecasting Techniques and Applications被引用 5

一句话总结

本文全面综述了在一般条件（包括序列相关性、异方差性、趋势和协积）下，对线性时间序列模型中结构突变的检测与估计的离线方法，涵盖估计、检验与推断。研究指出，sup-Wald 和 UDmax 检验在检测预测不稳定性时保持单调势，而最小二乘估计在随机回归子模型中优于工具变量法。

ABSTRACT

This chapter covers methodological issues related to estimation, testing and computation for models involving structural changes. Our aim is to review developments as they relate to econometric applications based on linear models. Substantial advances have been made to cover models at a level of generality that allow a host of interesting practical applications. These include models with general stationary regressors and errors that can exhibit temporal dependence and heteroskedasticity, models with trending variables and possible unit roots and cointegrated models, among others. Advances have been made pertaining to computational aspects of constructing estimates, their limit distributions, tests for structural changes, and methods to determine the number of changes present. A variety of topics are covered. The first part summarizes and updates developments described in an earlier review, Perron (2006), with the exposition following heavily that of Perron (2008). Additions are included for recent developments: testing for common breaks, models with endogenous regressors (emphasizing that simply using least-squares is preferable over instrumental variables methods), quantile regressions, methods based on Lasso, panel data models, testing for changes in forecast accuracy, factors models and methods of inference based on a continuous records asymptotic framework. Our focus is on the so-called off-line methods whereby one wants to retrospectively test for breaks in a given sample of data and form confidence intervals about the break dates. The aim is to provide the readers with an overview of methods that are of direct usefulness in practice as opposed to issues that are mostly of theoretical interest.

研究动机与目标

• 综述并更新线性计量经济模型中结构变化检测的方法论进展。
• 解决在一般误差与回归子条件下，估计断裂日期及检验结构变化的实际挑战。
• 评估在存在潜在断裂的不稳定环境中，预测比较检验的表现。
• 识别在检测预测精度变化时具有单调势的最优检验程序。
• 为研究者提供可操作的、具有实际应用价值的方法，而非纯粹的理论发展。

提出的方法

• 通过在候选断裂点上最小化残差平方和，采用离线估计方法。
• 应用 sup-Wald 和 UDmax 检验检测回归参数与预测误差中的结构变化。
• 在大样本中采用连续记录渐近框架进行推断。
• 引入双重 sup-Wald 和总损失 UDmax 检验，以评估样本外预测性能的变化。
• 利用基于滚动窗口的波动性检验与损失差异序列，比较不同模型之间的预测能力。
• 采用基于 Lasso 的方法与因子模型，检测高维或持久数据结构中的断裂。

实验结果

研究问题

• RQ1 在不同数据生成过程中，哪些检验程序在检测预测精度的结构突变时保持单调势？
• RQ2 在具有内生回归子的模型中，不同估计方法（特别是 OLS 与工具变量）的表现如何？
• RQ3 sup-Wald、UDmax 与波动性检验在检测样本外预测损失变化方面的相对表现如何？
• RQ4 如何利用 Lasso 与因子模型将结构突变检测扩展至高维模型？
• RQ5 在波动性检验中，使用长期方差估计与简单方差估计对预测比较有何影响？

主要发现

• 在模拟中，双重 sup-Wald 与总损失 UDmax 检验在所有数据生成过程中均表现出单调势，优于其他检验。
• 在具有内生回归子的模型中，最小二乘估计优于工具变量法，因其在小样本中表现更优。
• 基于长期方差估计的波动性检验存在非单调势，而基于简单结构变化的检验（sup-Wald、UDmax）保持高单调势。
• 基于总损失序列（TLSW、TLUD）的检验对检测预测性能变化具有鲁棒性且有效。
• 当预测能力依赖于状态依赖动态（如衰退或扩张）时，马尔可夫 regime 切换模型提供了有用的替代方案。
• 基于 Lasso 的方法与因子模型可将结构突变检测扩展至高维与持久数据结构，同时提升估计精度。