跳转至

Detecting long-range dependence for time-varying linear models

作者: Lujia Bai, Weichi Wu
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：如何判断一个时变系数线性回归模型的误差项是否具有长记忆性（Long-Range Dependence, LRD）。长记忆性意味着时间序列的自协方差衰减得极慢（不可和），使得过去遥远的冲击仍对当前有显著影响。在经典平稳时间序列中，这一问题已有大量研究（如 KPSS、R/S、V/S 检验）。但当模型系数随时间平滑变化、且协变量和误差本身也是非平稳的局部平稳过程时，检验长记忆性变得复杂：残差估计引入了额外的变异性，且非平稳性可能被误判为长记忆。本文的目标是在这种更现实的设定下，提供一套有理论保证的检验方法。

发展脉络（history）

奠基工作：长记忆检验的经典框架

  • Lo (1991) 提出了修正的 R/S 统计量，用于在严格平稳误差下检验长记忆，该统计量对短程相依具有稳健性。这是该领域的奠基性工作之一。
  • KPSS 检验（Kwiatkowski et al., 1992）是另一个经典框架，原假设为平稳（短记忆），备择为长记忆或单位根。本文的 KPSS 型统计量是其直接推广。
  • Lima & Xiao (2004) 系统研究了 V/S、KPSS、KS 和修正 R/S 统计量在长记忆备择下的稳健性，并指出带宽选择不当会导致虚假的短记忆结论。这为本文的 bootstrap 辅助检验提供了动机——经典检验对带宽敏感。

从平稳到非平稳：局部平稳过程的兴起

  • Zhou & Wu (2009, 2010) 建立了局部平稳过程的非参数估计与推断框架，包括局部线性估计的渐近理论。本文的时变系数模型设定直接继承自这一框架。
  • Vogt (2012) 将非参数回归推广到局部平稳协变量，并证明了核估计的渐近性质。本文的残差估计方法（局部线性拟合）直接借鉴了其技术路线。
  • Dahlhaus et al. (2019) 提供了局部平稳过程的通用理论（平稳逼近与平稳导数），为本文的高斯逼近技术提供了理论基础。

长记忆与非平稳性的区分

  • Berkes et al. (2006) 提出了一个区分长记忆与均值变点的检验，其核心思想是：若序列是弱相依但有变点，则分段 CUSUM 统计量收敛到已知分布；若序列是长记忆，则发散。本文的检验问题与之类似，但设定更复杂（时变系数 + 协变量）。
  • Preuss & Vetter (2013) 在局部平稳长记忆框架下提出了基于时变谱密度的 Kolmogorov-Smirnov 型检验，用于区分长记忆与非平稳性。该工作与本文直接相关，但其检验基于谱域，而本文基于时域残差。
  • Preuss et al. (2013) 提出了一个非参数方法，通过拟合 tvFARIMA 模型来估计时变长记忆参数，并以此构造检验。该工作与本文的设定（允许时变长记忆参数）有重叠，但本文的检验更简单（基于残差统计量），且不要求估计 d(t)。

时变系数模型中的长记忆

  • Kulik & Wichelhaus (2012) 和 Beran et al. (2013) 研究了时变系数模型在长记忆误差下的估计问题，证明了局部线性估计的渐近正态性（收敛速度为 \((nb_n)^{1/2-d}\)）。本文的检验统计量正是基于这些估计的残差。
  • Wu & Zhou (2018b) 建立了非平稳长记忆时间序列的联合分位数推断，其高斯逼近技术是本文的核心工具之一。本文的 Gaussian approximation for locally stationary long-memory processes with short-memory covariates 直接扩展了该工作。

本文的位置

本文填补的缺口是：在时变系数线性回归模型中，当协变量和误差均为局部平稳过程（允许长记忆）时，如何检验误差的长记忆性。已有工作要么假设误差为短记忆（如 Zhou & Wu 2010），要么假设模型为常数系数（如 KPSS 检验），要么在谱域而非时域处理（如 Preuss et al. 2013）。本文首次在时域中，基于非参数残差构造了 KPSS、R/S、V/S、K/S 四类检验统计量，并建立了完整的渐近理论，包括原假设、局部备择和固定备择下的极限分布，以及 bootstrap 辅助检验的一致性。

子线索聚类

  1. 经典长记忆检验（平稳设定）：Lo (1991) 的修正 R/S、KPSS 检验、Lima & Xiao (2004) 的 V/S 和 KS 检验。这些工作为本文提供了统计量的定义和渐近分布的理论基础。
  2. 局部平稳过程的非参数推断：Zhou & Wu (2009, 2010)、Vogt (2012)、Dahlhaus et al. (2019)。这些工作提供了时变系数模型的估计方法和局部平稳过程的概率工具（如高斯逼近、物理相依性）。
  3. 长记忆与非平稳性的区分：Berkes et al. (2006)、Preuss & Vetter (2013)、Preuss et al. (2013)。这些工作与本文的检验问题直接相关，但设定更简单（无协变量）或方法不同（谱域）。
  4. 时变系数模型中的长记忆：Kulik & Wichelhaus (2012)、Beran et al. (2013)、Wu & Zhou (2018b)。这些工作为本文提供了长记忆误差下估计量的渐近性质，以及非平稳长记忆过程的高斯逼近技术。

这个方向在追问的核心问题

  1. 如何区分长记忆与非平稳性？ 这是该领域最核心的张力：长记忆过程看起来像非平稳（如缓慢衰减的样本路径），但本质上是平稳的。本文的检验原假设为短记忆（SRD），备择为长记忆（LRD），但非平稳性（如时变系数）可能被误判为长记忆。
  2. 协变量的存在如何影响长记忆检验？ 在回归模型中，残差估计引入了额外的变异性，且协变量与误差的相关性可能使检验统计量的渐近分布复杂化。本文的核心贡献之一就是处理这种复杂性。
  3. 检验统计量在退化超平面上的行为？ 当时间变化的均值、方差、长程方差、协变量和截距落在某些超平面上时，经典检验统计量的极限分布退化（如 KPSS 统计量收敛到 0）。本文的 bootstrap 辅助检验正是为了解决这一问题。
  4. 局部备择下的精确渐近功效？ 在经典平稳设定下，KPSS 检验对局部备择（\(d = c/\log n\)）的功效为 \(O(\log^{-1} n)\)。本文证明了在协变量存在时，bootstrap 辅助检验的局部渐近功效与经典 KPSS 检验同阶，即没有因协变量而损失。

⚠️ 作者的 framing

作者将缺口 frame 为：在时变系数线性回归模型中，尚无基于残差的时域长记忆检验。他们强调自己的设定“允许复杂的时序动态和异方差性”，且“协变量和误差均为局部平稳过程”，这使得他们的方法比已有工作（如 Preuss et al. 2013 的谱域方法）更直接、更易推广。

被淡化或回避的竞争路线： - 谱域方法（如 Preuss & Vetter 2013）被作者提及，但未深入比较。作者声称自己的时域方法“更简单”，但未提供理论或模拟上的优势证据。 - 参数方法（如 tvFARIMA 模型）被作者提及，但被归类为“需要强参数假设”，而本文的方法是非参数的。然而，参数方法在长记忆参数估计上可能更高效，作者未讨论这种权衡。 - 贝叶斯方法完全未被提及。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 关于长记忆检验的综述性工作（如 Beran et al. 2013 的专著）被引用，但更近期的综述（如 Palma 2007 的《Long-Memory Time Series》）未被提及。 - 关于 bootstrap 在长记忆检验中的应用：已有一些工作（如 Paparoditis & Politis 2003 的 sieve bootstrap），但本文未引用。作者可能认为自己的 bootstrap 方法（基于残差重抽样）是新的，但未与已有 bootstrap 方法比较。 - 关于高维协变量下的长记忆检验：本文的协变量是低维的（\(p\) 固定），但未讨论高维扩展。这可能是未来方向，但作者未提及。

张力

未见明显对立引用。所有被引工作基本一致地认为：长记忆检验在非平稳设定下是困难的，且需要新的理论工具。本文的工作是这一共识的自然延伸。

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： - \(n\)：样本量（时间序列长度）。 - \(p\)：协变量个数（固定，不随 \(n\) 增长）。 - \(t_i = i/n\)：归一化时间点，\(i = 1, \dots, n\)。 - \(y_{i,n}\)：第 \(i\) 个时间点的响应变量（可观测）。 - \(\mathbf{x}_{i,n} = (x_{i,n}^{(1)}, \dots, x_{i,n}^{(p)})^\top\)：第 \(i\) 个时间点的 \(p\) 维协变量向量（可观测）。 - \(\boldsymbol{\beta}(t) = (\beta_1(t), \dots, \beta_p(t))^\top\)：时变系数函数向量（待估参数，光滑函数）。 - \(e_{i,n}\)：第 \(i\) 个时间点的误差项（不可观测，潜在量）。 - \(d\)：长记忆参数（\(d = 0\) 为短记忆，\(d > 0\) 为长记忆）。注意：\(d\) 是未知的，是检验的对象。 - \(H = d + 1/2\)：Hurst 参数（用于长记忆过程的缩放）。 - \(b_n\)：带宽参数（用于局部线性估计，\(b_n \to 0\)，\(n b_n \to \infty\)）。 - \(K(\cdot)\)：核函数（用于局部线性估计）。 - \(\hat{\boldsymbol{\beta}}(t)\)：\(\boldsymbol{\beta}(t)\) 的局部线性估计量。 - \(\hat{e}_{i,n} = y_{i,n} - \mathbf{x}_{i,n}^\top \hat{\boldsymbol{\beta}}(t_i)\)：残差（可观测，基于估计）。 - \(U_n(t)\)：部分和过程（基于残差），\(U_n(t) = \frac{1}{\sqrt{n}} \sum_{i=1}^{\lfloor nt \rfloor} \hat{e}_{i,n}\)。 - \(\hat{\sigma}^2_H(t)\)：长程方差估计量（用于缩放统计量）。

模型： 时变系数线性回归模型：

\[y_{i,n} = \mathbf{x}_{i,n}^\top \boldsymbol{\beta}(t_i) + e_{i,n}, \quad i = 1, \dots, n.\]
其中： - \(\boldsymbol{\beta}(\cdot)\) 是光滑的（二阶可导），未知。 - \(\mathbf{x}_{i,n}\) 是 \(p\) 维局部平稳过程，允许与 \(e_{i,n}\) 相关。 - \(e_{i,n}\) 是局部平稳过程，其长记忆性由参数 \(d\) 刻画。原假设 \(H_0: d = 0\)（短记忆），备择 \(H_A: d > 0\)（长记忆）。

可观测数据： 研究者实际能观测到的是 \(\{(y_{i,n}, \mathbf{x}_{i,n})\}_{i=1}^n\)。误差 \(e_{i,n}\) 是不可观测的，只能通过残差 \(\hat{e}_{i,n}\) 近似。时变系数 \(\boldsymbol{\beta}(t)\) 是未知的，需要估计。长记忆参数 \(d\) 是检验的对象，未知。

第二步：最小内核

最简特例：\(p = 0\)（无协变量），且 \(\boldsymbol{\beta}(t) \equiv \mu\)（常数均值）。此时模型退化为：

\[y_i = \mu + e_i, \quad i = 1, \dots, n.\]
这就是经典的长记忆检验问题。本文的 KPSS 型统计量退化为：
\[\text{KPSS}_n = \frac{1}{n^2 \hat{\sigma}^2} \sum_{k=1}^n \left( \sum_{i=1}^k (y_i - \bar{y}) \right)^2,\]
其中 \(\hat{\sigma}^2\) 是长程方差估计量。在原假设 \(H_0: d = 0\) 下，该统计量收敛到 Brownian bridge 的泛函（即 KPSS 检验的标准极限分布）。

本文的核心推广：当 \(p \geq 1\) 且 \(\boldsymbol{\beta}(t)\) 时变时，上述经典结果不再成立。原因有二： 1. 残差 \(\hat{e}_{i,n}\) 不是 \(e_{i,n}\) 的一致估计（因为 \(\boldsymbol{\beta}(t)\) 的估计有偏差和方差）。 2. 协变量 \(\mathbf{x}_{i,n}\) 与误差 \(e_{i,n}\) 的相关性使得部分和过程 \(U_n(t)\) 的渐近分布复杂化。

本文的关键想法：通过一个新的高斯逼近技术，将 \(U_n(t)\) 逼近为一个 Gaussian process，其协方差结构由长记忆参数 \(d\) 和协变量的长期协方差决定。然后，基于这个逼近，推导出四类检验统计量（KPSS、R/S、V/S、K/S）在原假设、局部备择和固定备择下的极限分布。当统计量在退化超平面上失效时，使用 bootstrap 辅助检验来恢复一致性。

最小内核的数学困难：即使在这个最简特例中，要证明 bootstrap 辅助检验在退化情形下的一致性，也需要处理残差估计带来的高阶偏差项。本文的核心技术贡献是建立了一个局部平稳长记忆过程与短记忆协变量的高斯逼近，其逼近误差为 \(o_P((n b_n)^{-1/2})\)，足以支撑后续的极限分布推导。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在时变系数线性回归模型中，基于非参数残差构造了 KPSS、R/S、V/S 和 K/S 四类检验统计量，用于检验误差项的长记忆性（原假设为短记忆，备择为长记忆）。
  2. 核心工具/方法：建立了局部平稳长记忆过程与短记忆协变量的高斯逼近技术，并基于此推导了检验统计量的极限分布；针对退化超平面问题，提出了 bootstrap 辅助检验并证明其一致性。
  3. 主要结论：四类检验统计量在原假设下收敛到已知分布（依赖于退化情形），在局部备择下具有与经典 KPSS 检验同阶的渐近功效，在固定备择下一致；bootstrap 辅助检验在退化与非退化情形下均一致。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - 模型：\(y_{i,n} = \mathbf{x}_{i,n}^\top \boldsymbol{\beta}(t_i) + e_{i,n}\)，其中 \(\boldsymbol{\beta}(\cdot)\) 二阶连续可导。 - 协变量 \(\mathbf{x}_{i,n}\)：\(p\) 维局部平稳过程，具有线性表示 \(\mathbf{x}_{i,n} = \sum_{j=0}^\infty \boldsymbol{\Psi}_j(t_i) \boldsymbol{\epsilon}_{i-j}\)，其中 \(\boldsymbol{\epsilon}_i\) 是 i.i.d. 白噪声，\(\boldsymbol{\Psi}_j(t)\) 是时变系数矩阵。允许与误差 \(e_{i,n}\) 相关（通过驱动噪声的相关性）。 - 误差 \(e_{i,n}\)：局部平稳长记忆过程，具有线性表示 \(e_{i,n} = \sum_{j=0}^\infty \psi_j(t_i) \eta_{i-j}\)，其中 \(\psi_j(t) \sim L(j) j^{d-1}\)（\(d \in [0, 1/2)\)），\(L(\cdot)\) 是慢变函数。原假设 \(H_0: d = 0\)（短记忆，即 \(\sum_j |\psi_j(t)| < \infty\)）。 - 带宽 \(b_n\)：满足 \(b_n \to 0\)，\(n b_n \to \infty\)，且 \(n b_n^5 \to 0\)（用于控制局部线性估计的偏差）。

关键假设（逐条说明）： - Assumption 4.1 (协变量的短记忆性)：\(\mathbf{x}_{i,n}\) 是短记忆的（其自协方差函数绝对可和）。这保证了协变量的估计不会引入长记忆性。 - Assumption 4.2 (误差的长记忆性)：\(e_{i,n}\) 是长记忆的（\(d > 0\)）或短记忆的（\(d = 0\)），且具有线性表示。这定义了检验的对象。 - Assumption 4.3 (驱动噪声的矩条件)：驱动噪声 \(\boldsymbol{\epsilon}_i\) 和 \(\eta_i\) 具有有限 \(q\) 阶矩（\(q > 4\)）。这是高斯逼近技术所需的条件。 - Assumption 4.4 (光滑性)：\(\boldsymbol{\beta}(\cdot)\) 和时变系数 \(\boldsymbol{\Psi}_j(\cdot), \psi_j(\cdot)\) 是光滑的（Lipschitz 连续）。这保证了局部线性估计的偏差可控制。

相比已有文献的强化/放宽： - 放宽：允许协变量与误差相关（已有工作如 Zhou & Wu 2010 假设独立）。 - 强化：要求协变量为短记忆（已有工作如 Preuss et al. 2013 允许协变量为长记忆，但方法不同）。 - 放宽：允许误差为局部平稳长记忆过程（已有工作如 KPSS 检验假设严格平稳）。

主要结果

定理 3.1 (KPSS 型统计量的极限分布)： - 陈述：在原假设 \(H_0: d = 0\) 下，KPSS 型统计量 \(T_n^{\text{KPSS}}\) 收敛到 \(\int_0^1 \mathbb{B}_0^2(t) dt\)，其中 \(\mathbb{B}_0(t)\) 是 Brownian bridge（非退化情形）或退化为 0（退化情形）。 - 直觉：当协变量和误差的长期协方差满足某些线性关系时，部分和过程 \(U_n(t)\) 的渐近方差为 0，导致统计量退化。 - 必要条件：退化发生的条件是 \(\int_0^1 \mathbf{x}(t) dt = \mathbf{0}\) 且 \(\int_0^1 \sigma^2_H(t) dt = 0\) 等（具体见论文 (3.5) 式）。 - 解决的技术难点：推导 \(U_n(t)\) 的高斯逼近，并处理残差估计带来的偏差。

定理 3.2 (bootstrap 辅助检验的一致性)： - 陈述：在退化与非退化情形下，bootstrap 辅助检验的 \(p\) 值在原假设下收敛到 Uniform(0,1)，在固定备择下收敛到 0。 - 直觉：bootstrap 通过重抽样残差来近似统计量的分布，即使极限分布退化，bootstrap 也能正确校准。 - 必要条件：bootstrap 的收敛速度要求 \(n b_n^2 \to \infty\)（用于控制残差估计的误差）。 - 解决的技术难点：证明 bootstrap 在退化情形下的一致性，需要处理残差估计的联合分布。

定理 3.3 (局部渐近功效)： - 陈述：在局部备择 \(H_A: d = c / \log n\) 下，bootstrap 辅助 KPSS 检验的渐近功效为 \(O(\log^{-1} n)\)，与经典 KPSS 检验同阶。 - 直觉：协变量的存在没有降低检验对微弱长记忆的检测能力。 - 必要条件：\(c\) 足够大（使得备择可检测）。 - 解决的技术难点：推导局部备择下 \(U_n(t)\) 的渐近分布，并证明 bootstrap 的功率损失可忽略。

证明路线与技术技巧

整体路线（以 KPSS 型统计量为例）：

  1. Step 1: 残差分解：将残差 \(\hat{e}_{i,n}\) 分解为真实误差 \(e_{i,n}\) 加上估计误差：

    \[\hat{e}_{i,n} = e_{i,n} - \mathbf{x}_{i,n}^\top (\hat{\boldsymbol{\beta}}(t_i) - \boldsymbol{\beta}(t_i)).\]
    这步是标准的。

  2. Step 2: 部分和过程的高斯逼近：这是全文的核心技术贡献。将 \(U_n(t) = \frac{1}{\sqrt{n}} \sum_{i=1}^{\lfloor nt \rfloor} \hat{e}_{i,n}\) 逼近为一个 Gaussian process \(\mathbb{G}_n(t)\)，其协方差结构由 \(d\) 和协变量的长期协方差决定。逼近误差为 \(o_P(1)\)。

  3. 关键跳跃点：已有的高斯逼近技术（如 Wu & Zhou 2018b）适用于纯长记忆过程，但这里需要处理协变量带来的额外项。作者通过将 \(U_n(t)\) 分解为长记忆部分（来自 \(e_{i,n}\)）和短记忆部分（来自协变量），并分别逼近，然后证明交叉项可忽略。

  4. 技术技巧：使用 physical dependence measure（物理相依性度量）来控制逼近误差，结合 chaining argument（链式论证）来得到均匀逼近。

  5. Step 3: 统计量的极限分布：基于 Step 2 的高斯逼近，将 KPSS 统计量表示为 \(\int_0^1 \mathbb{G}_n^2(t) dt\) 的泛函。然后证明 \(\mathbb{G}_n(t)\) 弱收敛到 \(\sigma_H \mathbb{B}_0(t)\)（非退化情形）或 0（退化情形）。

  6. 关键跳跃点：退化情形的处理。当 \(\mathbb{G}_n(t)\) 的方差为 0 时，统计量收敛到 0，此时需要 bootstrap 来恢复检验。

  7. 技术技巧：使用 continuous mapping theorem（连续映射定理）和 tightness（紧性）论证。

  8. Step 4: Bootstrap 一致性：证明 bootstrap 版本的统计量 \(T_n^*\) 的条件分布（给定原始数据）收敛到与 \(T_n\) 相同的极限分布。

  9. 关键跳跃点：在退化情形下，\(T_n\) 收敛到 0，但 bootstrap 版本 \(T_n^*\) 的条件分布也收敛到 0，因此 bootstrap \(p\) 值仍然有效。这需要证明 bootstrap 的收敛速度足够快。

  10. 技术技巧：使用 bootstrap 的 exchangeability（可交换性）和 Gaussian approximation for bootstrap（bootstrap 的高斯逼近）。

  11. Step 5: 局部备择下的功效：在 \(d = c / \log n\) 下，推导 \(U_n(t)\) 的渐近分布（包含一个漂移项），然后计算检验的拒绝概率。

  12. 关键跳跃点：漂移项的量级为 \(O(\log^{-1/2} n)\)，与经典 KPSS 检验相同。这需要精确控制长记忆参数 \(d\) 的局部行为。
  13. 技术技巧：使用 Tauberian theorem（Tauber 定理）来处理慢变函数 \(L(\cdot)\)。

技术技巧点名： - Physical dependence measure：用于控制局部平稳过程的相依性，是 Zhou & Wu (2009) 引入的工具。本文用它来推导高斯逼近的误差界。 - Chaining argument：用于得到均匀逼近（即对 \(t \in [0,1]\) 一致成立）。这是高维概率中的标准技巧。 - Gaussian approximation for locally stationary long-memory processes：这是本文的核心技术贡献，扩展了 Wu & Zhou (2018b) 的结果到有协变量的情形。 - Bootstrap exchangeability：用于证明 bootstrap 版本的条件分布收敛。 - Tauberian theorem：用于处理长记忆过程的慢变函数。

真实例子与应用

数据：COVID-19 累计确诊病例和死亡病例的对数（日本和爱尔兰）。

方法应用： 1. 对每个国家的累计确诊病例和死亡病例的对数序列，拟合一个时变系数线性回归模型（协变量为时间趋势项）。 2. 基于残差计算 KPSS、R/S、V/S、K/S 四类检验统计量。 3. 使用 bootstrap 辅助检验得到 \(p\) 值。

结果： - 日本和爱尔兰的累计确诊病例对数序列被判定为长记忆（LRD）。 - 日本和爱尔兰的累计死亡病例对数序列被判定为短记忆（SRD）。

这个例子想说明什么： - 验证本文方法在实际数据中的有效性：能够区分长记忆和短记忆。 - 展示方法在 COVID-19 数据分析中的潜在应用：长记忆意味着疫情传播具有长期依赖性，短记忆意味着死亡病例的波动更接近随机。

注意：本文没有与任何 baseline 方法（如经典 KPSS 检验）进行对比，因此这个例子的说服力有限。它更像是一个“展示”，而非“验证”。

🔎 结论是否比证明窄

  • 退化情形的 bootstrap 一致性：定理 3.2 声称 bootstrap 辅助检验在退化与非退化情形下均一致。但证明中假设了退化超平面是已知的（即 \(\int_0^1 \mathbf{x}(t) dt = \mathbf{0}\) 等）。在实际应用中，退化超平面是未知的，因此 bootstrap 检验的“一致性”依赖于这些条件是否被满足。作者在模拟中验证了退化情形下的表现，但未提供理论上的“自适应”方法（即无需知道退化条件）。
  • 局部备择的功效：定理 3.3 声称 bootstrap 辅助检验的局部渐近功效与经典 KPSS 检验同阶。但证明中假设了 \(d = c / \log n\) 且 \(c\) 足够大。对于更一般的局部备择（如 \(d = c n^{-\alpha}\)），功效可能不同。作者未讨论这种一般性。
  • 协变量的短记忆性：Assumption 4.1 要求协变量为短记忆。如果协变量本身是长记忆的，本文的方法是否仍然有效？作者在结论中提到了“将检验扩展到协变量为长记忆的情形”作为未来工作，但未给出任何理论结果。因此，本文的结论严格限于协变量为短记忆的设定。

四、开放问题

  1. 协变量为长记忆的情形：本文假设协变量为短记忆（Assumption 4.1）。当协变量本身是长记忆时，残差估计的收敛速度会变慢，且部分和过程的高斯逼近需要新的工具。作者在结论中提到了这一点（“The extension of the proposed tests to ... long-memory covariates ... is also challenging and meaningful”），但未给出任何线索。这是一个明确的 gap。

  2. 退化超平面的自适应检测：本文的 bootstrap 辅助检验在退化超平面上仍然一致，但需要知道退化条件（如 \(\int_0^1 \mathbf{x}(t) dt = \mathbf{0}\)）。在实际应用中，这些条件未知。能否构造一个“自适应”的检验，无需知道退化条件？这可能需要一个两步法：先检验退化条件，再根据结果选择检验统计量。

  3. 高维协变量：本文假设协变量维数 \(p\) 固定。当 \(p\) 随 \(n\) 增长时（高维设定），局部线性估计的收敛速度会变慢，且残差估计的误差更难控制。能否将本文的方法推广到高维？这可能需要稀疏性假设（如 \(\boldsymbol{\beta}(t)\) 是稀疏的）或降维技术（如主成分分析）。

  4. 时变长记忆参数：本文假设长记忆参数 \(d\) 是常数（不随时间变化）。当 \(d\) 随时间变化时（如 Dette et al. 2017 的设定），检验问题更复杂。能否构造一个检验，原假设为 \(d(t) \equiv 0\)，备择为 \(d(t) > 0\) 对某些 \(t\)？这可能需要一个“局部”版本的检验统计量。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论