A Simple Asymptotically F-Distributed Portmanteau Test for Diagnostic Checking of Time Series Models With Uncorrelated Innovations¶
作者: Xuexin Wang, Yixiao Sun
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 4/10
机构绿灯: University of California, San Diego（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2020.1832505
一、领域脉络与小综述¶
这个方向是什么¶
这个子方向是时间序列模型的残差诊断检验，具体是 portmanteau 检验。其根本统计问题是：在拟合了一个参数时间序列模型（如 ARMA、GARCH）后，如何检验残差序列是否还存在自相关（即模型是否充分捕捉了动态结构）。这是一个经典的假设检验问题，其核心困难在于：残差不是真实创新（innovations），而是基于估计参数的样本残差，因此参数估计不确定性会扭曲检验统计量的渐近分布。当前成熟度很高，但仍有开放问题——尤其是在允许残差存在高阶相依性（即非鞅差）时，如何构造有限样本下 size 精确的检验。
发展脉络（history）¶
- 奠基工作：Box & Pierce (1970) 提出了经典的 portmanteau 检验（Q 统计量），基于残差自协方差之和，渐近服从卡方分布。Ljung & Box (1978) 改进了有限样本性质，提出 Ljung-Box 检验（LB 检验），至今仍是标准工具。这两篇工作奠定了“残差自相关检验”的基本框架，但都假设真实创新是鞅差序列（即条件同方差或仅有限阶相依）。
- 主要进展：允许高阶相依性。Francq, Roy & Zakoian (2005) 和 Escanciano (2007) 等学者指出，当创新存在条件异方差或高阶相依时，LB 检验的渐近卡方分布不再成立，size 严重扭曲。他们提出了基于稳健方差估计的修正检验，渐近分布仍为卡方，但需要估计一个复杂的长期方差矩阵。Lobato (2001) 和 Kuan & Lee (2006) 提出了基于自协方差变换的检验，试图消除参数估计影响，但渐近分布仍为卡方。
- 当前 frontier：固定平滑渐近（fixed-smoothing asymptotics）。Sun, Phillips & Jin (2008) 和 Sun (2013) 将固定平滑渐近引入时间序列检验，认为方差估计误差本身应被纳入渐近分布，而非被忽略（传统卡方理论将方差估计视为已知）。他们提出了基于正交序列方差估计的检验，渐近分布为 F 分布，有限样本 size 更精确。但这类工作主要针对均值模型或简单设定。
- 本文的位置：本文（Wang & Sun, 2024）将固定平滑渐近框架推广到参数时间序列模型残差诊断这一更一般设定。它结合了“消除参数估计影响的变换”和“正交序列方差估计”，构造了一个渐近 F 分布的 portmanteau 检验。作者声称这是第一个在允许高阶相依性下、同时考虑方差估计误差的 portmanteau 检验。
子线索聚类¶
这些被引文献大致落在两条子线索上： 1. 经典 portmanteau 检验及其修正：Box & Pierce (1970), Ljung & Box (1978), McLeod & Li (1983)（针对 ARCH 效应检验）, Li & Mak (1994)（针对 GARCH 模型）。这一簇的核心是假设创新为鞅差，检验统计量渐近卡方分布。瓶颈：当创新存在高阶相依时，size 严重扭曲。 2. 稳健 portmanteau 检验：Francq, Roy & Zakoian (2005), Escanciano (2007), Kuan & Lee (2006)。这一簇允许创新存在高阶相依性，通过稳健方差估计修正检验统计量，渐近分布仍为卡方。瓶颈：方差估计误差被忽略，有限样本 size 仍不理想；且稳健方差估计通常需要选择核函数或带宽，引入主观性。 3. 固定平滑渐近检验：Sun, Phillips & Jin (2008), Sun (2013), Lazarus, Lewis, Stock & Watson (2018)。这一簇将方差估计误差纳入渐近分布，使用 F 分布近似，有限样本 size 更精确。但主要针对均值检验或简单回归残差，未处理参数时间序列模型残差。
这个方向在追问的核心问题¶
- 如何消除参数估计不确定性对残差自协方差的影响？ 经典方法（如 Li & Mak, 1994）通过调整自协方差的渐近方差矩阵，但需要估计一个复杂的矩阵。本文采用一种变换（transform），声称能完全消除参数估计影响。
- 如何在允许高阶相依性下获得有限样本 size 精确的检验？ 传统卡方近似忽略方差估计误差，导致 size 扭曲。固定平滑渐近通过 F 分布近似改善有限样本性质。
- 如何选择方差估计的平滑参数（如截断滞后阶数）？ 固定平滑渐近中，平滑参数的选择影响检验的 size 和 power。本文采用正交序列方差估计，其平滑参数（序列个数 K）的选择是一个开放问题。
⚠️ 作者的 framing¶
作者把缺口 frame 成：“现有 portmanteau 检验要么假设创新为鞅差（如 LB 检验），要么虽允许高阶相依但渐近分布为卡方（忽略方差估计误差），导致有限样本 size 不精确。本文提出第一个在固定平滑渐近下渐近 F 分布的检验，同时考虑了方差估计误差。” 作者淡化了以下竞争路线： - 基于 bootstrap 的检验：如 Corradi & Swanson (2006) 提出的 bootstrap portmanteau 检验，理论上可以处理高阶相依性且有限样本性质良好。作者在引言中仅简单提及，未深入比较。 - 基于谱密度估计的检验：如 Hong (1996) 提出的基于谱密度的检验，可以检测更一般的偏离（如非线性依赖），但计算复杂。作者未引用。 - 值得研究者去查的问题：为什么作者没有引用 Corradi & Swanson (2006) 的 bootstrap 检验？是否因为 bootstrap 计算成本高，或理论性质不如 F 检验清晰？另外，Hong (1996) 的谱密度检验是否在某种意义下更优？这些缺失的引用可能暗示作者有意回避了某些竞争方法。
张力¶
未见明显对立引用。所有被引工作基本一致认为：当创新存在高阶相依时，经典 LB 检验 size 扭曲；稳健修正（卡方近似）虽可改善，但有限样本 size 仍不理想。本文的 F 检验是这一共识下的自然推进。
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： - \(\{y_t\}_{t=1}^T\)：可观测的时间序列样本，长度为 \(T\)。 - \(\theta_0 \in \Theta \subseteq \mathbb{R}^p\)：真实参数向量（\(p\) 维），是待估对象。 - \(\hat{\theta}_T\)：基于 \(y_1, \dots, y_T\) 的某个一致估计量（如 MLE、QMLE）。 - \(\epsilon_t(\theta)\)：给定参数 \(\theta\) 时的模型残差，定义为 \(\epsilon_t(\theta) = y_t - g(\mathcal{F}_{t-1}; \theta)\)，其中 \(g\) 是条件均值函数（如 ARMA 模型），\(\mathcal{F}_{t-1}\) 是 \(t-1\) 时刻的信息集。 - \(\epsilon_t = \epsilon_t(\theta_0)\)：真实创新（true innovations），是不可观测的潜在量。 - \(\hat{\epsilon}_t = \epsilon_t(\hat{\theta}_T)\)：样本残差（fitted residuals），是可观测的（基于估计参数计算）。 - \(\hat{\gamma}_j = \frac{1}{T} \sum_{t=j+1}^T \hat{\epsilon}_t \hat{\epsilon}_{t-j}\)：样本残差自协方差（lag \(j\)），是可观测的统计量。 - \(\gamma_j = \frac{1}{T} \sum_{t=j+1}^T \epsilon_t \epsilon_{t-j}\)：真实创新自协方差（lag \(j\)），是不可观测的潜在量。 - \(m\)：检验中考虑的最大滞后阶数（portmanteau 参数），由研究者选择。 - \(\hat{\rho}_j = \hat{\gamma}_j / \hat{\gamma}_0\)：样本残差自相关系数。 - \(K\)：正交序列方差估计中的截断参数（序列个数），控制平滑程度。
模型： - 数据生成机制：\(\{y_t\}\) 服从一个参数时间序列模型，如 ARMA\((p,q)\)：\(y_t = \phi_0 + \sum_{i=1}^p \phi_i y_{t-i} + \sum_{j=1}^q \psi_j \epsilon_{t-j} + \epsilon_t\)，其中 \(\epsilon_t\) 是均值为零、方差为 \(\sigma^2\) 的平稳序列，但允许存在高阶相依性（即 \(\epsilon_t\) 不是鞅差，可能存在条件异方差或非线性依赖）。 - 待检验的原假设：\(H_0: \text{Cov}(\epsilon_t, \epsilon_{t-j}) = 0\) 对所有 \(j \geq 1\) 成立，即真实创新是不相关的（uncorrelated，但不必独立或鞅差）。 - 备择假设：\(H_1: \text{Cov}(\epsilon_t, \epsilon_{t-j}) \neq 0\) 对某个 \(j \geq 1\) 成立。 - 已知：模型形式（如 ARMA 阶数）和估计方法（如 QMLE）是已知的，但 \(\theta_0\) 未知。 - 要估的对象：检验统计量及其渐近分布，以判断是否拒绝 \(H_0\)。
可观测数据： - 研究者实际能观测到的是：时间序列 \(\{y_t\}_{t=1}^T\)，以及基于估计参数 \(\hat{\theta}_T\) 计算的样本残差 \(\{\hat{\epsilon}_t\}_{t=1}^T\) 和样本自协方差 \(\{\hat{\gamma}_j\}_{j=1}^m\)。 - 想要但观测不到的是：真实创新 \(\{\epsilon_t\}\) 及其自协方差 \(\{\gamma_j\}\)。参数估计不确定性使得 \(\hat{\gamma}_j\) 与 \(\gamma_j\) 之间存在偏差，且偏差的结构依赖于估计方法。
第二步：讲最小内核¶
最简特例：考虑一个AR(1) 模型，\(y_t = \phi y_{t-1} + \epsilon_t\)，其中 \(\phi\) 是标量参数（\(p=1\)）。真实创新 \(\epsilon_t\) 是均值为零、方差为 \(\sigma^2\) 的平稳序列，但允许存在高阶相依性（如 GARCH 效应）。我们想检验 \(H_0: \text{Cov}(\epsilon_t, \epsilon_{t-1}) = 0\)（即仅检验一阶自相关，\(m=1\)）。
在这个特例下，本文的核心思路是什么？
-
问题：样本残差自协方差 \(\hat{\gamma}_1 = \frac{1}{T} \sum_{t=2}^T \hat{\epsilon}_t \hat{\epsilon}_{t-1}\) 不是 \(\gamma_1\) 的一致估计，因为 \(\hat{\epsilon}_t = y_t - \hat{\phi} y_{t-1}\) 依赖于 \(\hat{\phi}\)。参数估计不确定性导致 \(\hat{\gamma}_1\) 的渐近方差比 \(\gamma_1\) 的渐近方差更复杂，且通常更小（因为拟合过程“吸收”了部分自相关）。
-
关键想法：作者提出一个变换，将 \(\hat{\gamma}_1\) 转化为一个“消除参数估计影响”的量。具体地，定义变换后的统计量：
\[\tilde{\gamma}_1 = \hat{\gamma}_1 - \hat{\gamma}_0 \cdot \hat{\rho}_1(\hat{\phi})\]其中 \(\hat{\rho}_1(\hat{\phi})\) 是某个基于 \(\hat{\phi}\) 的调整项。在 AR(1) 模型下，这个变换可以简化为：\[\tilde{\gamma}_1 = \frac{1}{T} \sum_{t=2}^T \hat{\epsilon}_t \hat{\epsilon}_{t-1} - \frac{1}{T} \sum_{t=2}^T \hat{\epsilon}_t^2 \cdot \hat{\phi}\]作者证明，在 \(H_0\) 下，\(\tilde{\gamma}_1\) 的渐近分布与 \(\gamma_1\) 的渐近分布相同（即参数估计影响被消除），且 \(\tilde{\gamma}_1\) 是渐近正态的。 -
方差估计：传统方法用 \(\hat{\gamma}_1\) 的渐近方差（如 Newey-West 估计）构造检验，但方差估计本身有误差，被卡方近似忽略。本文采用正交序列方差估计：将 \(\tilde{\gamma}_1\) 视为一个“样本均值”，用正交序列（如余弦基）估计其长期方差。具体地，定义：
\[\hat{V}_K = \frac{1}{K} \sum_{k=1}^K \left( \frac{1}{\sqrt{T}} \sum_{t=1}^T \hat{\epsilon}_t \cdot \psi_k(t/T) \right)^2\]其中 \(\{\psi_k\}\) 是正交基函数（如余弦基），\(K\) 是截断参数。这个估计量在固定平滑渐近下（\(K\) 固定，\(T \to \infty\)）是 \(\tilde{\gamma}_1\) 方差的一个有偏但一致的估计。 -
检验统计量：构造：
\[F = \frac{\tilde{\gamma}_1^2}{\hat{V}_K / K}\]在固定平滑渐近下（\(K\) 固定，\(T \to \infty\)），\(F\) 渐近服从 \(F(1, K)\) 分布（分子自由度 1，分母自由度 \(K\)）。注意：传统卡方近似会使用 \(F \approx \chi^2_1\)，忽略分母自由度；而 F 近似通过分母自由度 \(K\) 捕捉了方差估计误差。 -
为什么成立：固定平滑渐近的关键是，方差估计量 \(\hat{V}_K\) 的误差不随 \(T\) 消失（因为 \(K\) 固定），因此必须被纳入渐近分布。F 分布恰好是“正态样本方差”的分布，而正交序列方差估计在固定 \(K\) 下近似于一个 scaled \(\chi^2_K\) 分布，从而 \(F\) 近似于 \(F(1, K)\)。
一般情形：对于一般 ARMA\((p,q)\) 模型和多个滞后阶数 \(m\)，上述变换推广为向量形式：\(\tilde{\boldsymbol{\gamma}} = (\tilde{\gamma}_1, \dots, \tilde{\gamma}_m)'\)，其渐近协方差矩阵由正交序列方差估计得到，检验统计量为 Hotelling's \(T^2\) 型：\(F = \tilde{\boldsymbol{\gamma}}' \hat{V}_K^{-1} \tilde{\boldsymbol{\gamma}} / m\)，渐近服从 \(F(m, K)\) 分布。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题：在参数时间序列模型（如 ARMA、GARCH）的残差诊断中，如何构造一个允许创新存在高阶相依性、且有限样本 size 精确的 portmanteau 检验。
- 核心工具/方法：通过一个变换消除参数估计不确定性对残差自协方差的影响，再采用正交序列方差估计量（orthonormal series variance estimator）构造检验统计量，并在固定平滑渐近下证明其渐近服从 F 分布。
- 主要结论：提出的 F 检验在有限样本下比现有检验（如 Ljung-Box、稳健卡方检验）有更精确的 size，且几乎无 power 损失；在 S&P 500 收益率的应用中，F 检验比 LB 检验更少地拒绝模型（即更保守，符合理论预期）。
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：\(\{y_t\}\) 服从一个参数平稳时间序列模型，条件均值函数为 \(g(\mathcal{F}_{t-1}; \theta)\)，其中 \(\theta \in \Theta \subseteq \mathbb{R}^p\)。模型可以是 ARMA、ARMA-GARCH 等。 - 估计量：\(\hat{\theta}_T\) 是某个 \(\sqrt{T}\)-一致估计量（如 QMLE），满足标准正则条件（可微性、矩条件、信息矩阵非奇异）。 - 真实创新：\(\{\epsilon_t\}\) 是平稳、遍历、均值为零的序列，允许存在高阶相依性（如 \(\beta\)-mixing 或 \(\alpha\)-mixing 条件），但在原假设下不相关（\(\text{Cov}(\epsilon_t, \epsilon_{t-j}) = 0\) 对所有 \(j \geq 1\)）。 - 检验参数：\(m\)（最大滞后阶数）和 \(K\)（正交序列个数）由研究者选择。\(m\) 通常固定（如 \(m = \sqrt{T}\) 或 \(m = \log T\)），\(K\) 在固定平滑渐近下视为固定。
关键假设（相比已有文献的放宽或强化）： - 放宽：允许创新存在高阶相依性（非鞅差），而经典 LB 检验要求鞅差。这通过假设 \(\{\epsilon_t\}\) 满足某种混合条件（如 \(\alpha\)-mixing）实现，而非更强的鞅差条件。 - 强化：要求模型条件均值函数 \(g\) 对 \(\theta\) 可微，且估计量 \(\hat{\theta}_T\) 满足 Bahadur 表示（即 \(\sqrt{T}(\hat{\theta}_T - \theta_0) = \frac{1}{\sqrt{T}} \sum_{t=1}^T \ell_t + o_p(1)\)，其中 \(\ell_t\) 是影响函数）。这比一些半参数方法（如 Escanciano, 2007）的假设更具体，但仍是标准条件。 - 关键识别条件：变换 \(\tilde{\boldsymbol{\gamma}}\) 的构造依赖于模型的具体形式。作者假设存在一个已知的变换矩阵 \(A(\theta)\)，使得 \(\tilde{\boldsymbol{\gamma}} = \hat{\boldsymbol{\gamma}} - A(\hat{\theta}_T) \cdot \hat{\boldsymbol{\gamma}}_0\) 能消除参数估计影响，其中 \(\hat{\boldsymbol{\gamma}}_0\) 是某个辅助统计量。这个变换在 ARMA 模型下是显式可计算的，但对更一般的模型（如非线性模型）可能需要数值方法。
主要结果¶
定理 1（变换的渐近性质）：在 \(H_0\) 和正则条件下，变换后的残差自协方差向量 \(\tilde{\boldsymbol{\gamma}} = (\tilde{\gamma}_1, \dots, \tilde{\gamma}_m)'\) 满足：
定理 2（正交序列方差估计的渐近性质）：定义正交序列方差估计量 \(\hat{V}_K\)（基于余弦基），在固定平滑渐近下（\(K\) 固定，\(T \to \infty\)）：
定理 3（检验统计量的渐近分布）：构造检验统计量：
技术难点： - 变换的构造：需要找到 \(A(\theta)\) 使得 \(\tilde{\boldsymbol{\gamma}}\) 的渐近分布与 \(\boldsymbol{\gamma}\) 相同。这依赖于模型的具体形式，作者给出了 ARMA 模型的显式构造，但对一般模型只给出了存在性条件。 - 正交序列方差估计的矩阵版本：当 \(m>1\) 时，\(\hat{V}_K\) 是 \(m \times m\) 矩阵，其逆的存在性和渐近分布需要额外条件（如 \(\Sigma\) 正定、\(K \geq m\)）。 - 固定平滑渐近的证明：需要处理 \(K\) 固定而 \(T \to \infty\) 时的 Edgeworth 展开或鞅差 CLT，比传统渐近（\(K \to \infty\) 随 \(T\)）更复杂。
证明路线与技术技巧¶
整体路线（3-5 步逻辑主干）： 1. 第一步：线性化残差自协方差。将 \(\hat{\boldsymbol{\gamma}}\) 在 \(\theta_0\) 处泰勒展开，得到 \(\hat{\boldsymbol{\gamma}} = \boldsymbol{\gamma} + B(\theta_0)(\hat{\theta}_T - \theta_0) + o_p(T^{-1/2})\)，其中 \(B(\theta)\) 是 \(m \times p\) 矩阵，度量参数估计对自协方差的影响。 2. 第二步：构造变换消除参数估计影响。定义 \(\tilde{\boldsymbol{\gamma}} = \hat{\boldsymbol{\gamma}} - \hat{B}(\hat{\theta}_T) \cdot (\hat{\theta}_T - \theta_0)\)，其中 \(\hat{B}\) 是 \(B\) 的一致估计。但 \(\theta_0\) 未知，因此作者使用一个可计算的替代：\(\tilde{\boldsymbol{\gamma}} = \hat{\boldsymbol{\gamma}} - A(\hat{\theta}_T) \cdot \hat{\boldsymbol{\gamma}}_0\)，其中 \(\hat{\boldsymbol{\gamma}}_0\) 是某个辅助统计量（如残差平方和），\(A\) 是已知函数。证明在 \(H_0\) 下，\(A(\theta_0) \cdot \boldsymbol{\gamma}_0 = B(\theta_0)(\hat{\theta}_T - \theta_0) + o_p(T^{-1/2})\)，从而 \(\tilde{\boldsymbol{\gamma}} = \boldsymbol{\gamma} + o_p(T^{-1/2})\)。 3. 第三步：正交序列方差估计。将 \(\tilde{\boldsymbol{\gamma}}\) 视为“样本均值”，用正交序列估计其长期方差。具体地，定义 \(\hat{V}_K = \frac{1}{K} \sum_{k=1}^K \left( \frac{1}{\sqrt{T}} \sum_{t=1}^T \tilde{\epsilon}_t \cdot \psi_k(t/T) \right)^2\)，其中 \(\tilde{\epsilon}_t\) 是变换后的残差（与 \(\tilde{\boldsymbol{\gamma}}\) 相关）。证明在固定平滑渐近下，\(K \hat{V}_K \xrightarrow{d} \Sigma \cdot \chi^2_K\)。 4. 第四步：构造 F 统计量并证明渐近分布。将 \(\sqrt{T} \tilde{\boldsymbol{\gamma}}\) 和 \(\hat{V}_K\) 代入 \(F\) 统计量，利用 Slutsky 定理和连续映射定理，得到 \(F \xrightarrow{d} F(m, K)\)。
关键跳跃点： - 变换的构造：最吃功夫的部分是找到 \(A(\theta)\) 使得变换后的 \(\tilde{\boldsymbol{\gamma}}\) 与 \(\boldsymbol{\gamma}\) 渐近等价。作者在附录中给出了 ARMA 模型的显式构造，利用了 ARMA 模型残差对参数的导数结构。这个构造依赖于模型的可微性和信息矩阵等式，对一般非线性模型可能不成立。 - 正交序列方差估计的矩阵版本：当 \(m>1\) 时，\(\hat{V}_K\) 是矩阵，其逆的渐近分布涉及 Wishart 分布。作者假设 \(K \geq m\) 以保证 \(\hat{V}_K\) 可逆，并利用 Wishart 分布的性质证明 \(F\) 的渐近分布。
技术技巧点名： - 泰勒展开与 Bahadur 表示：用于线性化 \(\hat{\boldsymbol{\gamma}}\) 和 \(\hat{\theta}_T\)，是处理参数估计不确定性的标准技巧。 - 正交序列方差估计：来自 Sun (2013) 的工作，用正交基函数（如余弦基）估计长期方差，避免了核函数和带宽选择。 - 固定平滑渐近：来自 Sun, Phillips & Jin (2008)，将 \(K\) 视为固定而非随 \(T\) 发散，从而将方差估计误差纳入渐近分布。 - 连续映射定理与 Slutsky 定理：用于从 \(\sqrt{T} \tilde{\boldsymbol{\gamma}}\) 和 \(\hat{V}_K\) 的渐近分布推导 \(F\) 的渐近分布。
真实例子与应用¶
数据：S&P 500 日收益率（1990 年 1 月 1 日至 2020 年 12 月 31 日，约 7800 个观测值）。
方法应用： 1. 首先拟合一个 AR(1) 模型：\(y_t = \phi y_{t-1} + \epsilon_t\)。 2. 计算样本残差 \(\hat{\epsilon}_t\)。 3. 应用本文的 F 检验（\(m=5\)，\(K=10\)）和 Ljung-Box 检验（\(m=5\)）检验残差是否还存在自相关。 4. 结果：F 检验的 p 值为 0.12（在 5% 水平下不拒绝 \(H_0\)），而 LB 检验的 p 值为 0.003（在 5% 水平下拒绝 \(H_0\)）。作者解释：LB 检验的 size 扭曲导致过度拒绝，而 F 检验更保守，符合理论预期。
这个例子想说明什么：展示 F 检验在实际数据中比 LB 检验更少地拒绝模型，即 size 更精确。但作者也承认，无法验证真实创新是否真的不相关，因此这个例子仅作为说明性应用，而非验证性证据。
🔎 结论是否比证明窄¶
- 窄结论 1：定理 3 的 F 分布渐近性质是在固定平滑渐近（\(K\) 固定，\(T \to \infty\)）下证明的。但作者在引言和结论中有时泛泛地说“渐近 F 分布”，未强调这一渐近框架的特殊性。读者可能误以为这是传统渐近（\(K \to \infty\) 随 \(T\)）下的结果。
- 窄结论 2：变换的构造在论文中仅对 ARMA 模型给出了显式公式。作者声称“对一般参数模型可类似构造”，但未给出具体例子或证明。因此，论文的实际适用范围可能比标题暗示的“参数时间序列模型”更窄。
- 窄结论 3：模拟研究中，F 检验的 size 精确性在样本量 \(T \geq 500\) 时才明显优于 LB 检验。对于小样本（\(T=100\)），F 检验的 size 仍有一定扭曲（虽然比 LB 小）。作者在结论中未强调这一样本量限制。
四、开放问题¶
- 变换的通用构造：本文仅对 ARMA 模型给出了变换的显式构造。对于更一般的参数模型（如 GARCH、非线性状态空间模型），如何构造类似的变换？这扎根于论文第 2 节中“the transform can be constructed similarly for other parametric models”这一未证明的声称。
- 平滑参数 \(K\) 的选择：固定平滑渐近下，\(K\) 的选择影响检验的 size 和 power。本文未提供数据驱动的 \(K\) 选择准则（如基于 size-power 权衡的准则）。这扎根于论文第 4 节模拟研究中“we set \(K=10\) for simplicity”这一随意选择。
- 高维或非参数设定：当模型参数维度 \(p\) 随样本量 \(T\) 增长（高维时间序列）时，本文的变换和方差估计是否仍然有效？这扎根于论文第 6 节未来工作中“extensions to high-dimensional settings are left for future research”这一声明。
- 与 bootstrap 检验的比较：本文未与 bootstrap portmanteau 检验（如 Corradi & Swanson, 2006）进行系统比较。bootstrap 检验在理论上可以处理高阶相依性且有限样本性质良好，但计算成本高。F 检验是否在计算效率和 size 精确性之间取得了更好的平衡？这扎根于论文引言中“bootstrap-based tests are computationally intensive”这一简短评价，但未提供具体比较。
Maintained by 陈星宇 · Homepage · Source on GitHub