Testing Stability in Functional Event Observations with an Application to IPO Performance¶

作者: Lajos Horváth, Zhenya Liu, Gregory Rice, Shixuan Wang, Yaosong Zhan
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 3/10
机构绿灯: University of Waterloo（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2022.2118127

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是事件驱动的函数型数据变点检测。根本的科学问题是：当一组函数型数据对象（如股票价格轨迹）并非在固定时间点观测，而是仅在特定事件发生时（如公司IPO）才能被观测到时，如何检验这些函数对象的均值结构在时间上是否稳定，并在不稳定时估计变点位置。核心挑战在于，事件发生的频率本身可能随时间变化（如IPO市场有冷热周期），这种频率的非齐性会污染对函数均值稳定性的检验。该方向目前处于方法开发与理论建立阶段，已有少量工作，但尚未形成成熟框架。

发展脉络（history）¶

根据本文引言，该方向的发展脉络如下：

奠基工作：函数型数据变点检测（无事件频率问题）
- Berkes et al. (2009)：提出了函数型数据中均值变点检测的CUSUM方法，并建立了渐近理论。这是本文第二阶段的直接基础。
- Aue et al. (2009)：进一步研究了函数型时间序列中的变点检测问题。这些工作奠定了在“观测时间点规则且频率恒定”的理想设定下，函数型数据变点检测的理论与方法。
主要进展：事件驱动的函数型数据与频率调整
- Kokoszka et al. (2015)：首次系统研究了事件驱动的函数型数据（Event Functional Data, EFD），即数据对象仅在事件发生时被观测。他们提出了一个模型，其中观测时间点由点过程控制，并研究了其协方差结构的估计。本文作者指出，Kokoszka et al. (2015) 的工作是本文的“直接前身”（direct predecessor），但该工作没有考虑变点检测问题，即假设数据是平稳的。
- Horváth et al. (2022)：在Kokoszka et al. (2015)的基础上，研究了事件驱动函数型数据的均值变点检测。然而，本文作者指出，Horváth et al. (2022) 的方法假设事件频率是恒定的（homogeneous Poisson process），这在实际中（如IPO市场）往往不成立。
当前Frontier与本文位置
- 当前Frontier：如何处理事件频率随时间变化（非齐次点过程）时，函数型数据均值的变点检测问题。
- 本文位置：本文是第一个提出两阶段方法来解决这一问题的系统性工作。它明确地将“事件频率变点检测”作为第一阶段，将“频率调整后的函数均值变点检测”作为第二阶段，并分别建立了两个阶段的渐近理论。本文将自己定位为对Kokoszka et al. (2015)和Horváth et al. (2022)工作的自然且必要的扩展。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：函数型数据变点检测（规则观测）
- 核心工作：Berkes et al. (2009), Aue et al. (2009)。
- 做什么：在观测时间点规则、频率恒定的标准设定下，发展检验函数型数据均值或协方差结构稳定性的方法。主要工具是函数型主成分分析（FPCA）和CUSUM统计量。
- 留下什么口子：无法处理观测时间点由事件驱动、且事件频率可能变化的数据。
线索二：事件驱动的函数型数据分析
- 核心工作：Kokoszka et al. (2015), Horváth et al. (2022)。
- 做什么：将函数型数据的观测时间点建模为点过程，研究其统计推断问题（如协方差估计、均值变点检测）。
- 留下什么口子：Kokoszka et al. (2015) 未考虑变点；Horváth et al. (2022) 假设事件频率恒定。本文填补了“事件频率变化”这一关键缺口。

这个方向在追问的核心问题¶

如何识别并分离事件频率变化与函数均值变化？ 这是本文的核心贡献，通过两阶段方法解决。
在事件频率非齐性下，变点检测统计量的渐近分布是什么？ 本文给出了第一阶段（频率变点）和第二阶段（均值变点，在频率调整后）的渐近分布。
如何估计变点位置，并证明其一致性？ 本文证明了两个阶段中变点估计量的一致性。
方法的有限样本表现如何？ 本文通过蒙特卡洛模拟进行了验证。

⚠️ 作者的Framing¶

作者把缺口frame成什么：作者将缺口明确地frame为“现有事件驱动函数型数据的变点检测方法（Horváth et al., 2022）假设事件频率恒定，而实际数据（如IPO）中频率变化是常态”。因此，本文的“显然的下一步”就是开发一个能处理频率变化的两阶段方法。
哪些竞争路线被淡化或回避了：作者没有讨论或比较直接对原始函数型数据（不进行频率调整）应用变点检测的路线。他们可能认为，不调整频率会导致虚假变点（频率变化被误判为均值变化），但并未提供理论或模拟证据来量化这种误判的严重程度。此外，作者没有讨论将事件频率作为协变量纳入函数均值模型的可能性，而是选择了先分割再调整的“两步走”策略。
什么明显该被引/该存在、却没出现在intro里？ 未见明显缺失的关键引用。该方向文献相对集中，作者的引用覆盖了奠基和主要进展工作。

张力¶

未见明显对立引用。所有被引工作都在逐步推进，没有在略不同条件下得出相反结论的情况。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( N \)：事件总数（如IPO总数）。这是一个随机变量。
- \( T \)：观测时间窗口的终点（如从2000年到2020年）。通常视为固定常数。
- \( \tau_1, \tau_2, \dots, \tau_N \)：事件发生的时间点（如每个IPO的上市日期）。它们是随机变量，\( 0 \le \tau_1 < \tau_2 < \dots < \tau_N \le T \)。
- \( X_i(t) \)：第 \( i \) 个事件对应的函数型数据对象（如第 \( i \) 家公司IPO后第 \( t \) 天的股价）。\( t \in [0, 1] \) 是函数定义域（如IPO后的时间，标准化到[0,1]）。\( X_i(t) \) 是随机函数。
- \( m(t) \)：函数型数据的均值函数，即 \( E[X_i(t)] \)。这是本文要检验稳定性的目标参数。
- \( \lambda(s) \)：事件发生的强度函数（intensity function），即单位时间内事件发生的期望次数。\( \lambda(s) \) 是本文第一阶段要检验稳定性的目标参数。
- \( \theta \)：第一阶段中，事件频率 \( \lambda(s) \) 的变点位置。
- \( \nu \)：第二阶段中，函数均值 \( m(t) \) 的变点位置。
- \( k \)：变点个数。本文假设最多只有一个变点（single change-point alternative）。
模型：
- 事件过程：事件时间点 \( \{\tau_i\} \) 由一个非齐次泊松过程（NHPP）生成，其强度函数为 \( \lambda(s) \)。这意味着事件频率可以随时间变化。
- 函数型数据：每个事件 \( i \) 关联一个函数 \( X_i(t) \)。\( X_i(t) \) 的均值 \( m(t) \) 在变点 \( \nu \) 处发生变化。具体地，假设存在一个变点 \( \nu \)，使得：
  - 对于 \( \tau_i \le \nu \)，\( E[X_i(t)] = m_1(t) \)
  - 对于 \( \tau_i > \nu \)，\( E[X_i(t)] = m_2(t) \)
  - 其中 \( m_1(t) \neq m_2(t) \)。
- 独立性：假设给定事件时间点 \( \tau_i \)，函数型数据 \( X_i(t) \) 是独立的，且与事件过程独立。这是一个关键假设，简化了问题。
可观测数据：
- 研究者能观测到的是事件时间点 \( \tau_1, \dots, \tau_N \) 和对应的函数型数据 \( X_1(t), \dots, X_N(t) \)。
- 想要但观测不到：我们无法直接观测到强度函数 \( \lambda(s) \) 或均值函数 \( m(t) \) 是否变化。我们只能从观测到的 \( \tau_i \) 和 \( X_i(t) \) 中推断。此外，如果事件频率变化，那么在不同时间段观测到的 \( X_i(t) \) 数量不同，这会影响对 \( m(t) \) 的估计和检验。

第二步：讲最小内核¶

本文的核心思路可以浓缩为一个两阶段的最小例子：

设定：假设我们观测到一系列IPO事件。每个事件 \( i \) 发生的时间 \( \tau_i \) 和IPO后股价轨迹 \( X_i(t) \) 都被记录下来。我们想知道，IPO后股价的平均表现 \( m(t) \) 是否在某一年（如2008年金融危机后）发生了结构性变化。

问题：IPO市场有冷热周期。在牛市，IPO数量多（频率高）；在熊市，IPO数量少（频率低）。如果我们直接检验所有 \( X_i(t) \) 的均值是否变化，可能会因为2008年前后IPO数量（即样本量）的巨大差异，而错误地将“样本量变化”检测为“均值变化”。更糟糕的是，如果均值变化恰好与频率变化同时发生，我们无法区分。

最小内核解法（两阶段）：

第一阶段：检测事件频率的变点。
- 做什么：只看事件时间点 \( \tau_1, \dots, \tau_N \)，忽略 \( X_i(t) \)。检验这些时间点是否来自一个强度恒定的泊松过程（即IPO频率是否稳定）。
- 怎么检验：使用一个基于事件计数过程的CUSUM统计量。例如，将时间轴 \( [0, T] \) 分成许多小段，统计每段内的事件数，然后看累积计数是否偏离一条直线。如果偏离显著，就认为存在频率变点 \( \hat{\theta} \)。
- 结果：假设我们检测到在时间点 \( \hat{\theta} \) 处，IPO频率发生了变化（例如，从高频率变为低频率）。
第二阶段：在频率调整后，检测函数均值的变点。
- 做什么：现在，我们知道了频率变点 \( \hat{\theta} \)。我们将数据分成两段：\( \tau_i \le \hat{\theta} \) 和 \( \tau_i > \hat{\theta} \)。由于两段内的IPO频率不同，直接比较两段内 \( X_i(t) \) 的均值会有偏差（因为样本量不同，估计的方差不同，且可能引入选择偏差）。
- 怎么调整：作者提出了一种“频率调整”方法。核心思想是，在检验均值变点时，给每个 \( X_i(t) \) 赋予一个权重，这个权重与其所在段的频率成反比。这样，频率高的段（样本多）的权重被压低，频率低的段（样本少）的权重被抬高，从而使得检验统计量不受频率变化的影响。
- 怎么检验：在频率调整后，对加权后的函数型数据应用一个标准的函数型CUSUM统计量（如Berkes et al., 2009的方法），检验其均值 \( m(t) \) 是否存在变点 \( \hat{\nu} \)。

为什么这个内核能工作：这个两阶段策略的关键在于分离。第一阶段只处理事件时间点，完全独立于函数型数据，因此频率变点的检测不受函数均值变化的影响。第二阶段在已知频率结构后，通过加权调整，消除了频率非齐性对均值检验的污染，使得我们可以专注于检验函数均值本身是否变化。这个最小内核清晰地展示了本文的核心贡献：不是发明了新的CUSUM统计量，而是设计了一个将频率变点检测与均值变点检测解耦的流程。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：研究了事件驱动的函数型数据（如IPO后股价轨迹）中，当事件发生频率（如IPO数量）随时间变化时，如何检验函数均值是否存在变点并估计其位置。
核心工具/方法：提出了一个两阶段方法：第一阶段使用基于事件计数过程的CUSUM统计量进行二元分割，检测事件频率的变点；第二阶段在频率调整后，使用函数型数据的投影基展开与CUSUM统计量，检验函数均值的变点。
主要结论：证明了两个阶段中变点检测统计量的渐近分布（在无变点原假设下收敛到极值分布），以及变点估计量的一致性（在备择假设下，估计的变点位置以概率收敛到真实变点）。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

设定：
- 事件过程：\( \{\tau_i\} \) 由强度为 \( \lambda(s) \) 的非齐次泊松过程生成。\( \lambda(s) \) 是分段常数函数，在未知时间点 \( \theta \) 处发生跳跃。这是第一阶段的核心模型。
- 函数型数据：\( X_i(t) \) 是平方可积的随机函数，定义在 \( [0,1] \) 上。其均值函数 \( m(t) \) 在未知时间点 \( \nu \) 处发生跳跃。\( X_i(t) \) 可以表示为 \( X_i(t) = m(t) + \epsilon_i(t) \)，其中 \( \epsilon_i(t) \) 是均值为零的随机误差函数。
- 独立性：给定事件时间点 \( \tau_i \)，\( X_i(t) \) 是独立同分布的（i.i.d.），且与事件过程独立。这个假设很强，但简化了理论推导。作者在模拟中放松了部分独立性假设。
关键假设：
- 假设1（事件过程）：强度函数 \( \lambda(s) \) 是分段常数，且跳跃幅度非零。这是频率变点可检测的前提。
- 假设2（函数型数据）：\( X_i(t) \) 的协方差函数 \( C(s,t) = Cov(X_i(s), X_i(t)) \) 是连续的，且其特征值 \( \lambda_1 > \lambda_2 > \dots > 0 \) 满足 \( \sum_{j=1}^\infty \lambda_j < \infty \)。这是函数型主成分分析（FPCA）的标准假设。
- 假设3（矩条件）：\( E[||X_i||^4] < \infty \)，其中 \( ||\cdot|| \) 是 \( L^2 \) 范数。这是中心极限定理和CUSUM统计量渐近理论所需。
- 假设4（变点幅度）：均值变点前后的差异 \( \Delta(t) = m_2(t) - m_1(t) \) 的 \( L^2 \) 范数非零。这是均值变点可检测的前提。
- 相比已有文献：与Horváth et al. (2022)相比，本文放宽了“事件频率恒定”的假设，允许 \( \lambda(s) \) 变化。与Kokoszka et al. (2015)相比，本文增加了变点检测的设定。

主要结果¶

本文的理论结果分为两部分，对应两个阶段。

第一阶段结果（定理1 & 2）：
- 定理1（无频率变点原假设下的渐近分布）：如果事件频率 \( \lambda(s) \) 是常数（即无变点），则基于事件计数过程的CUSUM统计量 \( \hat{Q}_N \) 的渐近分布是某个极值分布（类似于Kolmogorov-Smirnov统计量的极限分布）。这个结果用于确定检验的临界值。
- 定理2（频率变点估计的一致性）：如果存在一个频率变点 \( \theta \)，则第一阶段估计的变点位置 \( \hat{\theta} \) 是 \( \theta \) 的一致估计，即 \( \hat{\theta} \xrightarrow{p} \theta \)。这个结果保证了第一阶段分割的可靠性。
第二阶段结果（定理3 & 4）：
- 定理3（无均值变点原假设下的渐近分布）：在频率调整后，如果函数均值 \( m(t) \) 是常数（即无变点），则基于函数型CUSUM的统计量 \( \hat{T}_N \) 的渐近分布是某个极值分布。这个结果用于确定第二阶段检验的临界值。
- 定理4（均值变点估计的一致性）：如果存在一个均值变点 \( \nu \)，则第二阶段估计的变点位置 \( \hat{\nu} \) 是 \( \nu \) 的一致估计，即 \( \hat{\nu} \xrightarrow{p} \nu \)。

技术难点：证明的核心难点在于处理两阶段估计的依赖性。第一阶段估计的 \( \hat{\theta} \) 被用于第二阶段的频率调整和检验，这种“估计后推断”（post-selection inference）使得第二阶段的渐近理论变得复杂。作者需要证明，尽管第一阶段估计存在误差，但第二阶段的检验统计量在原假设下仍然收敛到正确的极限分布，且变点估计仍然一致。他们通过证明第一阶段估计的收敛速度足够快（\( \hat{\theta} - \theta = O_p(1/N) \)），从而其影响在渐近上可以忽略，来绕过这个难点。

证明路线与技术技巧¶

整体路线：
1. 第一阶段证明：
  - 将事件时间点 \( \tau_i \) 的计数过程 \( N(t) \) 的CUSUM统计量 \( \hat{Q}_N \) 表示为关于 \( N(t) \) 的泛函。
  - 利用泊松过程的性质，将 \( \hat{Q}_N \) 分解为一个主要项（与强度函数 \( \lambda(s) \) 的累积积分有关）和一个余项。
  - 在原假设下（\( \lambda(s) \) 恒定），证明主要项收敛到一个高斯过程，进而推导出 \( \hat{Q}_N \) 的渐近极值分布。这依赖于泊松过程泛函的强逼近定理（strong approximation）。
  - 在备择假设下（\( \lambda(s) \) 有跳跃），证明 \( \hat{Q}_N \) 发散到无穷，且其最大值点 \( \hat{\theta} \) 以概率收敛到真实变点 \( \theta \)。这依赖于跳跃幅度非零的假设和CUSUM统计量的性质。
2. 第二阶段证明：
  - 定义频率调整后的函数型数据 \( \tilde{X}_i(t) \)。调整权重依赖于第一阶段估计的 \( \hat{\theta} \)。
  - 将函数型CUSUM统计量 \( \hat{T}_N \) 表示为 \( \tilde{X}_i(t) \) 的泛函。
  - 关键跳跃点：证明 \( \hat{T}_N \) 的渐近分布与“如果真实变点 \( \theta \) 已知”时得到的分布相同。这需要证明第一阶段估计误差 \( \hat{\theta} - \theta \) 对 \( \hat{T}_N \) 的影响是 \( o_p(1) \) 的。作者通过泰勒展开和 \( \hat{\theta} \) 的收敛速度来证明这一点。
  - 在证明 \( \hat{\theta} \) 的误差可忽略后，将问题简化为已知频率结构下的函数型数据变点检测。然后，利用函数型主成分分析（FPCA）将无限维的 \( X_i(t) \) 投影到有限维空间，再对投影后的得分序列应用经典的CUSUM理论，得到渐近分布。
技术技巧点名：
- 强逼近定理（Strong Approximation）：用于第一阶段，将泊松过程的CUSUM统计量逼近为高斯过程，从而推导其渐近分布。
- 函数型主成分分析（FPCA）：用于第二阶段，将无限维的函数型数据降维到有限维，使得经典的CUSUM理论可以应用。
- 二元分割（Binary Segmentation）：虽然本文主要考虑单个变点，但二元分割是将其扩展到多个变点的标准方法。本文在第一阶段使用了二元分割的思想。
- CUSUM统计量：两个阶段的核心工具，用于检测分布或均值的变化。

真实例子与应用¶

用的什么数据/场景：中国A股市场的IPO数据。数据包含2000年至2020年间约2000家公司的IPO事件。对于每个IPO，观测其上市后60个交易日的股价收益率轨迹（即函数型数据 \( X_i(t) \)，\( t \) 为上市后天数）。
怎么把本文方法用上去：
1. 第一阶段：对IPO事件的时间点 \( \tau_i \) 应用频率变点检测。结果检测到两个显著的频率变点：一个在2005年左右（股权分置改革前），一个在2012年左右（IPO暂停与重启）。这些变点将IPO市场划分为几个“冷热”周期。
2. 第二阶段：在每个由频率变点划分的段内，对IPO后股价收益率轨迹进行频率调整（因为段内频率仍可能不均匀），然后检验其均值是否存在变点。结果发现，在2012年后的段内，存在一个均值变点，大约在2015年股灾前后。这表明，在2015年股灾后，IPO后股价的平均表现发生了结构性变化（例如，首日收益率下降，长期表现变差）。
得到什么结果：方法成功识别出了中国IPO市场的结构性变化，这些变化与已知的政策事件（如IPO暂停）和市场事件（如2015年股灾）高度吻合。
这个例子想说明什么：这个例子旨在展示本文方法在实际复杂场景中的实用性和解释力。它说明，如果不先处理频率变化（第一阶段），直接对IPO后股价进行均值变点检测，可能会得到误导性的结果（例如，将IPO暂停导致的样本缺失误判为均值变化）。通过两阶段方法，可以更清晰地分离出“市场环境变化”对IPO频率和IPO后表现的不同影响。

🔎 结论是否比证明窄¶

窄化点：作者在理论部分假设最多只有一个变点（single change-point alternative）。但在实证部分，他们使用了二元分割来检测多个频率变点。这意味着，对于多个变点的情况，理论保证（如渐近分布、一致性）需要额外的论证，而本文并未提供。作者在文中明确提到了这一点，并将其作为未来工作。
具体语句：作者在引言和理论部分多次提到“我们考虑单个变点的情形”（We consider the case of a single change point）。在模拟部分，他们测试了多个变点的情形，但理论并未覆盖。这是一个明确的“结论比证明窄”的例子。

四、开放问题¶

多个变点的联合推断：本文的理论主要针对单个变点。如何将理论扩展到多个变点，并建立多个变点估计的联合渐近分布？这扎根于本文“我们考虑单个变点的情形”这一明确限制。
频率变点与均值变点同时存在且相互影响：本文假设频率变点和均值变点可以独立处理。如果两者同时发生，且频率变化本身导致了均值变化（例如，IPO频率降低导致公司质量提高，从而均值上升），那么两阶段方法能否正确识别？这扎根于本文的独立性假设。
更复杂的事件过程模型：本文假设事件过程是非齐次泊松过程。如果事件过程具有自相关性（如自激励过程）或更复杂的结构，本文的方法和理论是否仍然适用？这扎根于本文对事件过程的泊松假设。
频率调整方法的效率：本文的频率调整方法是否是最优的？是否存在更高效的调整方式，使得第二阶段检验的统计功效更高？这扎根于本文未讨论调整方法的效率性质。

Maintained by 陈星宇 · Homepage · Source on GitHub