Rank-based testing for semiparametric VAR models: A measure transportation approach¶

作者: Marc Hallin, Davide La Vecchia, Hang Liu
来源: Bernoulli
主题: 数理统计 / 假设检验
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的根本问题是：如何在多元时间序列（VAR模型）中，对模型参数（如自回归系数、模型阶数）进行假设检验，且检验过程不依赖于对创新（innovation）密度具体形式的假设，同时在非高斯、非椭圆、厚尾甚至无限矩的分布下仍保持有效性和最优性。这是一个典型的半参数问题：参数部分是VAR模型的系数，非参数部分是未知的创新密度。该方向的成熟度较高，已有大量基于椭圆对称假设的秩检验工作，但突破椭圆假设、实现真正的“分布自由”检验是近年来的前沿。

发展脉络（history）¶

奠基工作：传统秩检验与椭圆假设。在单变量时间序列中，Hallin和Puri等人（1990年代）基于传统秩和符号秩，为ARMA模型建立了完整的分布自由检验工具箱。在多元背景下，Hallin和Paindaveine（2004, 2006, 2008等）将这一思路推广到VARMA模型，但关键限制是：所有工作都假设创新密度是椭圆对称的（elliptically symmetric）。他们使用的“Mahalanobis秩和符号”本质上依赖于椭圆假设来定义“中心”和“距离”，因此无法处理偏斜、非椭圆分布。
主要进展：度量传输与中心向外秩。Chernozhukov, Galichon, Hallin, Henry (2014) 提出了基于最优传输（Monge-Kantorovich）的多元深度、分位数、秩和符号概念。Hallin等人（2021）进一步系统化，证明了这些“中心向外秩”具有与单变量秩几乎完全相同的优良性质：分布自由、最大辅助性（maximal ancillary）。这为突破椭圆假设提供了工具。Figalli (2018) 和 Barrio等人 (2020) 从正则性角度保证了这些传输映射的连续性，为渐近理论打下基础。
当前frontier：从估计到检验，从椭圆到一般。Hallin, La Vecchia, Liu (2019) 首先将中心向外秩用于VARMA模型的R-估计（R-estimation），证明了估计量的根n一致性和渐近正态性。本文是这一工作的检验对应物。同期，Deb和Sen (2019) 以及Shi, Drton, Han (2019) 也独立地将度量传输秩用于多元独立性检验和两样本检验，但他们的设定是独立同分布数据，而非时间序列。Hallin, Hlubinka, Hudecová (2020) 则将中心向外秩用于多输出回归和MANOVA，建立了Hájek表示和渐近正态性。
本文的位置：本文是上述发展脉络的自然延伸：将中心向外秩从估计（Hallin et al., 2019）推进到检验，从独立同分布（Hallin et al., 2020）推进到时间序列（VAR），并首次在非椭圆假设下建立了秩检验的局部渐近最优性。

子线索聚类¶

基于Mahalanobis秩的椭圆假设检验（Hallin & Paindaveine, 2004, 2006, 2008; Hallin, Paindaveine, Verdebout, 2010）：成熟但受限于椭圆对称。本文引用语境中称其为“under the assumption of ellipticity”。
基于度量传输的中心向外秩的理论基础（Chernozhukov et al., 2014; Figalli, 2018; Barrio et al., 2020; Hallin et al., 2021）：建立概念、证明正则性和分布自由性质。本文依赖这些结果作为工具。
基于中心向外秩的估计与检验应用（Hallin, La Vecchia, Liu, 2019 [估计]; Hallin, Hlubinka, Hudecová, 2020 [MANOVA]; Deb & Sen, 2019 [独立性]; Shi, Drton, Han, 2019 [独立性]）：将理论工具转化为具体统计方法。本文属于此簇，但聚焦于时间序列的序列相关检验。
计算最优传输（Peyré & Cuturi, 2018）：提供算法实现基础，本文在计算部分依赖此文献。

这个方向在追问的核心问题¶

如何定义“秩”使得它在多元、非椭圆设定下仍具有分布自由性和最大辅助性？ 答案已由中心向外秩给出。
基于这些新秩的检验能否达到渐近最优性（如局部渐近最大最小）？ 本文部分回答了此问题，但仅限于选定的参考密度。
这些检验在时间序列（非独立）设定下是否仍然有效？ 本文的核心贡献之一就是回答此问题。
如何将秩方法推广到更高维（高维VAR）或更复杂结构（如非线性、异方差）？ 这是开放问题。

⚠️ 作者的 framing¶

作者把缺口frame成什么：作者声称，现有基于Mahalanobis秩的检验“require ellipticity”，而基于中心向外秩的检验此前“only considered in the context of i.i.d. observations”。因此，本文是“显然的下一步”：将中心向外秩检验推广到VAR时间序列，并证明其最优性。
哪些竞争路线被淡化或回避：作者淡化了基于似然或拟似然的参数方法（如QMLE），仅将其作为baseline。他们回避了与基于残差自助法（residual bootstrap）或置换检验的对比——这些方法在有限样本下也可能有好的表现，但缺乏渐近最优性保证。
什么明显该被引/该存在、却没出现在intro里？ 作者没有引用任何关于“高维VAR模型检验”的文献（如Lasso-based tests, post-selection inference）。这可能是因为本文的方法目前只适用于固定维数d。此外，没有引用关于“稳健检验”的文献（如基于M估计的检验），尽管本文声称对异常值稳健。

张力¶

未见明显对立引用。所有被引工作基本是互补的：椭圆假设下的工作为本文提供了对比基线，度量传输工作提供了工具，i.i.d.下的中心向外秩检验为本文提供了可推广的模板。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号：
\( Y_t \in \mathbb{R}^d \)：在时间 \( t \) 观测到的 \( d \) 维时间序列向量。这是可观测的。
\( p \)：VAR模型的阶数（正整数）。
\( \theta \in \Theta \subseteq \mathbb{R}^k \)：VAR模型的参数向量（包含所有自回归系数）。这是要检验/估计的参数。
\( \varepsilon_t \in \mathbb{R}^d \)：在时间 \( t \) 的创新（innovation），即新息。这是不可观测的潜在变量。
\( f \)：\( \varepsilon_t \) 的联合概率密度函数（关于Lebesgue测度）。这是非参数部分，完全未知，是要避免对其做假设的对象。
\( n \)：样本量（时间序列长度）。
\( \hat{\varepsilon}_t(\theta) \)：基于参数 \( \theta \) 计算的残差。这是可计算的（给定 \( \theta \) 和 \( Y_t \)）。
\( R_t(\theta) \)：残差 \( \hat{\varepsilon}_t(\theta) \) 的中心向外秩（一个 \( d \) 维向量，取值于单位球 \( \mathbb{B}^d \)）。这是本文检验统计量的核心。
\( \mathbb{F}_n \)：残差的经验分布。
\( \mathbb{U}_d \)：\( d \) 维单位球上的均匀分布（参考分布）。
\( T_{\mathbb{F}_n \to \mathbb{U}_d} \)：从经验分布 \( \mathbb{F}_n \) 到均匀分布 \( \mathbb{U}_d \) 的最优传输映射。中心向外秩 \( R_t(\theta) \) 正是这个映射在残差点上的取值。
模型：
VAR(p) 模型：\( Y_t = \mu + A_1 Y_{t-1} + \dots + A_p Y_{t-p} + \varepsilon_t \)，其中 \( A_i \) 是 \( d \times d \) 系数矩阵，\( \mu \) 是截距向量。模型是半参数的：参数部分 \( \theta = (\mu, A_1, \dots, A_p) \) 是有限维的；非参数部分是创新密度 \( f \)，完全未知。
关键假设：\( \{\varepsilon_t\} \) 是独立同分布的（i.i.d.），且 \( E[\varepsilon_t] = 0 \)，\( \text{Cov}(\varepsilon_t) = \Sigma \) 存在且正定。不假设 \( f \) 是椭圆对称的、高斯分布、或具有有限高阶矩。
可观测数据：研究者观测到 \( Y_1, \dots, Y_n \)。给定一个候选参数 \( \theta \)，可以计算残差 \( \hat{\varepsilon}_t(\theta) = Y_t - \mu - A_1 Y_{t-1} - \dots - A_p Y_{t-p} \)。
想要但观测不到：真实的创新 \( \varepsilon_t \) 及其密度 \( f \)。检验的目标是推断 \( \theta \) 是否满足某个原假设（如 \( H_0: A_1 = \dots = A_p = 0 \)，即无序列相关）。

第二步：最小内核——检验“无序列相关”的最简特例¶

最简特例：考虑一个一维（\( d=1 \)）、一阶（\( p=1 \)） 的VAR模型，即AR(1)模型：

\[Y_t = \mu + \phi Y_{t-1} + \varepsilon_t, \quad \varepsilon_t \sim \text{i.i.d. } f\]

其中 \( f \) 是未知密度（可以是偏斜、厚尾、甚至柯西分布——无有限方差）。我们要检验的原假设是：

\[H_0: \phi = 0 \quad (\text{无序列相关})\]

备择假设是 \( H_1: \phi \neq 0 \)。

传统方法：使用OLS估计 \( \hat{\phi} \)，构造t统计量。但t统计量的有效性依赖于 \( f \) 是高斯分布或至少有限方差。若 \( f \) 是柯西分布，t检验完全失效。

本文方法的核心思路： 1. 计算残差：在原假设 \( H_0 \) 下，\( Y_t = \mu + \varepsilon_t \)。因此，残差就是中心化的观测值：\( \hat{\varepsilon}_t = Y_t - \bar{Y} \)。 2. 计算中心向外秩：对于一维数据，中心向外秩退化为符号秩（sign-rank）的一个变体。具体地，将残差 \( \hat{\varepsilon}_1, \dots, \hat{\varepsilon}_n \) 按绝对值排序，得到秩 \( r_t \in \{1, \dots, n\} \)，然后定义中心向外秩为 \( R_t = \text{sign}(\hat{\varepsilon}_t) \cdot (r_t / (n+1)) \)。这是一个取值于 \([-1, 1]\) 的标量。 3. 构造检验统计量：检验统计量是残差的中心向外秩与其滞后一期的中心向外秩的相关性：

\[S_n = \frac{1}{\sqrt{n}} \sum_{t=2}^n R_t R_{t-1}\]

直觉：如果 \( H_0 \) 成立（无序列相关），则 \( R_t \) 和 \( R_{t-1} \) 应近似独立，\( S_n \) 应接近0。如果 \( H_1 \) 成立（正相关），则 \( R_t \) 和 \( R_{t-1} \) 倾向于同号，\( S_n \) 倾向于正。 4. 为什么有效： - 分布自由：在原假设下，\( R_t \) 的联合分布不依赖于 \( f \)！因为中心向外秩是残差的单调变换，而残差是i.i.d.的，所以秩的分布是均匀的（在 \([-1,1]\) 上）。因此，\( S_n \) 的零分布是完全已知的（不依赖于 \( f \)），可以通过排列或渐近正态近似得到临界值。 - 稳健性：由于只用到秩，即使 \( f \) 是柯西分布（无方差），\( S_n \) 仍然有效。 - 最优性：如果 \( f \) 恰好是某个选定的参考密度（如逻辑斯蒂分布），则基于相应得分函数的检验（如 van der Waerden 得分）可以达到局部渐近最大最小最优。

这个特例揭示了论文的核心数学困难：在一维情况下，秩的定义是自然的（排序）。在 \( d>1 \) 时，没有自然的排序，因此需要度量传输来定义“中心向外秩”。本文的贡献在于：证明了即使在这种复杂的多元秩定义下，上述检验思路仍然成立，并且可以证明Hájek表示和渐近最优性。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在半参数VAR(p)模型（创新密度未指定）中，基于中心向外秩和符号，构建了一类新的检验方法，用于检验模型参数（如自回归系数、模型阶数）。
核心工具/方法：度量传输定义的中心向外秩和符号 + Le Cam渐近实验理论 + Hájek表示定理。
主要结论：所提检验在广泛的创新密度类（非椭圆、偏斜、无限矩）下有效，在选定参考密度下达到局部渐近最大最小或最严格最优性，并对加性异常值具有稳健性。

关键设定与假设¶

模型：\( Y_t = \mu + A_1 Y_{t-1} + \dots + A_p Y_{t-p} + \varepsilon_t \)，\( \varepsilon_t \) i.i.d.，密度 \( f \) 关于Lebesgue测度绝对连续，且 \( f \) 有凸支撑（可放宽到 \( \mathbb{R}^d \)）。
关键假设：
（A1）正则性：\( f \) 满足Figalli (2018) 或 Barrio et al. (2020) 的条件，以保证中心向外分布函数和分位数函数是同胚（homeomorphism）。这确保了秩的定义是良好且连续的。
（A2）矩条件：\( E[\varepsilon_t] = 0 \)，\( \text{Cov}(\varepsilon_t) = \Sigma \) 正定。不要求有限四阶矩或更高阶矩。
（A3）VAR模型的稳定性：特征多项式 \( I_d - A_1 z - \dots - A_p z^p \) 的所有根都在单位圆外。这是时间序列平稳性的标准条件。
（A4）Le Cam渐近实验的局部性条件：对参数 \( \theta \) 的局部扰动 \( \theta_n = \theta_0 + \tau / \sqrt{n} \) 下，似然比有二次展开（LAN性质）。这依赖于 \( f \) 的Fisher信息量存在（但不需要 \( f \) 是椭圆对称的）。
相比已有文献的放宽/强化：
放宽：相比Hallin & Paindaveine (2004) 的椭圆假设，本文不要求 \( f \) 是椭圆对称的。
强化：相比Hallin et al. (2020) 的i.i.d.设定，本文处理了时间序列依赖（VAR模型），这需要处理残差之间的序列相关性对秩统计量的影响。

主要结果¶

定理3.1（Hájek表示）：这是核心理论贡献。对于一类广泛的基于中心向外秩的序列统计量 \( S_n(\theta) \)，在局部备择 \( \theta_n = \theta_0 + \tau / \sqrt{n} \) 下，有
\[S_n(\theta_n) = S_n(\theta_0) + \tau' \Delta_n + o_P(1)\]
其中 \( \Delta_n \) 是一个渐近正态的“偏移项”，其形式由得分函数和Fisher信息矩阵决定。这个表示将秩统计量的局部行为线性化，是推导检验最优性的关键。
技术难点：证明Hájek表示需要处理中心向外秩的非线性性和VAR模型残差之间的序列相关性。作者使用了经验过程理论和Le Cam的LAN引理。
定理4.1（检验的最优性）：对于检验 \( H_0: \theta = \theta_0 \) vs \( H_1: \theta \neq \theta_0 \)，基于适当得分函数（如van der Waerden得分）的秩检验是局部渐近最大最小（LAMM）的，即在所有水平 \( \alpha \) 的检验中，它在局部备择下的最小功效最大。如果得分函数对应于真实的创新密度 \( f \)，则检验是局部渐近最严格（LAM）的（即达到半参数效率界）。
必要条件：得分函数必须与 \( f \) 的“最优得分”匹配。在实际中，用户选择一个参考密度（如逻辑斯蒂），检验在参考密度下是最优的，在其他密度下仍然有效（但可能不是最优）。
定理5.1（对异常值的稳健性）：如果数据被加性异常值污染（即 \( Y_t^* = Y_t + \delta_t \)，其中 \( \delta_t \) 是稀疏的大值），则基于秩的检验的渐近水平仍然受控（即不会因为异常值而大幅膨胀），而基于高斯似然的检验会严重膨胀。这是因为秩对极端值不敏感。

证明路线与技术技巧¶

整体路线：
建立中心向外秩的渐近性质：首先证明，基于残差 \( \hat{\varepsilon}_t(\theta) \) 的中心向外秩 \( R_t(\theta) \) 与基于真实创新 \( \varepsilon_t \) 的中心向外秩 \( R_t^* \) 之间的差异是 \( o_P(1/\sqrt{n}) \) 阶的。这需要用到经验传输映射的收敛速度（\( n^{-1/d} \) 量级，但通过适当的平滑和线性化，可以提升到 \( n^{-1/2} \)）。
推导Hájek表示：将检验统计量 \( S_n(\theta) \) 在 \( \theta_0 \) 附近展开。利用第1步的结果，将 \( S_n(\theta_n) \) 表示为 \( S_n(\theta_0) \) 加上一个由参数偏移 \( \tau \) 引起的线性项，再加上一个可忽略的余项。这个线性项的形式由得分函数和Fisher信息矩阵给出。
应用Le Cam理论：在Hájek表示的基础上，利用Le Cam的第三引理，推导出检验统计量在局部备择下的渐近分布。然后，通过Neyman-Pearson引理和Cramér-Rao下界，证明基于最优得分函数的检验达到LAMM或LAM最优性。
稳健性分析：在加性异常值模型下，重新计算秩统计量的渐近分布，证明其水平不受异常值影响（因为秩对极端值不敏感），而高斯检验的水平会偏离名义水平。
关键跳跃点：
从经验传输映射到根n一致性：经验传输映射的收敛速度是 \( n^{-1/d} \)，这比 \( n^{-1/2} \) 慢得多。作者如何克服这个“维数诅咒”？关键技巧是：他们不直接使用传输映射本身，而是使用秩的线性化版本（类似于一维中“秩得分”的线性化）。通过将秩统计量表示为U-统计量的形式，并利用Hájek投影，他们绕过了对传输映射本身的高阶逼近，直接得到了秩统计量的根n渐近正态性。
处理VAR模型残差的序列相关性：在i.i.d.设定下（如Hallin et al., 2020），秩统计量的渐近方差有简单形式。在VAR模型下，残差是序列相关的，这导致秩统计量的渐近方差更复杂，需要用到VAR模型的协方差结构。作者通过将秩统计量表示为“伪残差”的线性形式，并利用VAR模型的Wold分解，推导出了正确的渐近方差公式。
技术技巧点名：
经验过程理论：用于控制秩统计量作为经验过程的随机波动。
Le Cam的LAN引理：用于建立局部渐近正态性，是推导最优性的标准工具。
Hájek投影：将U-统计量投影到其线性部分，是得到根n渐近性的核心技巧。
度量传输的正则性理论（Figalli, 2018; Barrio et al., 2020）：保证中心向外秩是良好定义的且连续。
VAR模型的协方差结构：用于计算检验统计量的渐近方差。

真实例子与应用¶

数据：论文使用了美国季度宏观经济数据（1959-2019），包含GDP增长率、通货膨胀率和失业率三个变量（\( d=3 \)）。
场景：检验VAR(1)模型（即一阶滞后）是否充分，即检验 \( H_0: p=1 \) vs \( H_1: p>1 \)（模型阶数选择）。这是一个序贯检验问题。
方法应用：
拟合VAR(1)模型，得到残差。
计算残差的中心向外秩。
构造检验统计量，检验残差中是否还存在序列相关性（即是否还需要更高阶滞后）。
如果检验显著，则拟合VAR(2)模型，重复上述过程，直到检验不显著。
结果：基于中心向外秩的检验（使用van der Waerden得分）选择了VAR(2)模型，而基于高斯似然的AIC/BIC准则选择了VAR(1)模型。论文进一步展示了VAR(2)模型的残差诊断，显示其残差更接近白噪声，说明秩检验的选择更合理。
这个例子想说明什么：展示在实际数据中，当创新密度可能非高斯时（宏观经济数据常有厚尾），基于秩的方法能比传统高斯方法更准确地识别模型结构。

🔎 结论是否比证明窄¶

窄的地方：定理4.1的最优性（LAMM）是在选定参考密度下证明的。作者没有证明“对所有可能的创新密度一致最优”的结果（这通常是不可能的，因为这是半参数问题的本质）。论文的结论是“在参考密度下最优，在其他密度下有效但可能次优”，这与证明是一致的。
可能被泛化的claim：作者在摘要和引言中声称检验“对加性异常值具有稳健性”。定理5.1确实证明了渐近水平不受异常值影响，但没有证明功效也不受影响。在异常值污染下，检验的功效可能会下降（因为秩对异常值不敏感，但也可能丢失信号）。这是一个值得注意的gap。
conjecture：作者在结论部分提到，方法可以推广到“非线性时间序列模型”（如GARCH），但没有给出任何证明或模拟。这是一个明确的conjecture。

四、开放问题¶

高维VAR模型的检验：本文的方法目前适用于固定维数 \( d \)。当 \( d \) 随 \( n \) 增长时（高维VAR），中心向外秩的计算（需要求解最优传输问题）变得计算上不可行，且渐近理论需要重新建立。扎根于：本文所有定理都假设 \( d \) 固定。
非线性时间序列的推广：作者在结论中提及可推广到“非线性模型”，但未给出任何细节。如何将中心向外秩检验推广到GARCH、门限自回归等模型？扎根于：论文结论部分的“Extensions to nonlinear models”。
功效的稳健性：定理5.1只证明了异常值下检验的水平稳健，但未分析功效。在异常值污染下，秩检验的功效损失有多大？是否存在一种“自适应”的秩检验，能在异常值存在时仍保持高功效？扎根于：定理5.1的证明只涉及水平，未涉及功效。
计算效率与近似：对于中等维度（如 \( d=10 \)），计算精确的中心向外秩需要求解 \( O(n^2) \) 的最优传输问题，计算量较大。能否利用Peyré & Cuturi (2018) 的近似OT算法（如Sinkhorn）来加速，同时保持检验的渐近性质？扎根于：论文的计算部分提到了使用Peyré & Cuturi的算法，但未讨论近似对检验性质的影响。

Maintained by 陈星宇 · Homepage · Source on GitHub