跳转至

Adaptive Testing for Cointegration With Nonstationary Volatility

作者: H. Peter Boswijk, Yang Zu
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 Amsterdam（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2020.1867558

一、领域脉络与小综述

这个方向是什么

本方向研究的是多元时间序列中协整检验在创新方差矩阵存在非平稳波动（即持久性变化）时的统计推断问题。核心挑战是：当误差项的方差和相关性随时间发生结构性或持续性变化时，传统协整检验（如Johansen迹检验）的尺寸严重扭曲，而现有校正方法（如wild bootstrap）虽能修复尺寸，却未利用波动信息来提升检验功效。本文试图回答：能否在非参数估计波动过程的同时，实现与波动已知情形相同的渐近局部功效（即“适应性”）？

发展脉络（history）

  • 奠基工作：Johansen (1995) 建立了经典协整检验的似然比框架，假设创新方差恒定。这是所有后续工作的基准。
  • 非平稳波动问题的提出：Cavaliere (2004) 和 Cavaliere & Taylor (2007) 首次系统研究了非平稳波动（如方差的结构性突变或持久性变化）对单位根和协整检验尺寸的影响，发现传统检验严重过度拒绝。他们提出用wild bootstrap来校正尺寸，但未考虑提升功效。
  • 当前frontier：Cavaliere, Rahbek & Taylor (2010, 2012) 将wild bootstrap推广到协整检验，证明了其在非平稳波动下的渐近有效性。然而，这些方法仅“被动”校正尺寸，未利用波动信息。本文作者指出：“We show that it also leads to the possibility of constructing tests with higher power, by taking the time-varying volatilities and correlations into account in the formulation of the likelihood function and the resulting likelihood ratio test statistic.” 即，波动信息不仅是噪声，也是信号。
  • 本文的位置：本文是第一个主动利用非平稳波动信息来提升协整检验功效的工作。它证明了在非参数估计波动矩阵后，检验的渐近局部功效与波动已知情形相同（适应性），并提供了bootstrap实现。

子线索聚类

  1. 协整检验的经典理论：Johansen (1995) 的似然比框架，假设恒定方差。这是所有后续工作的基准。
  2. 非平稳波动下的尺寸校正：Cavaliere & Taylor (2007, 2010, 2012) 的wild bootstrap方法。核心是修复尺寸，不追求功效提升。
  3. 适应性检验（本文）：在似然函数中显式建模时变波动，构造似然比检验，并证明非参数波动估计不损失渐近局部功效。

这个方向在追问的核心问题

  1. 尺寸控制：如何在非平稳波动下构造尺寸准确的协整检验？
  2. 功效提升：能否利用波动信息提升检验功效？若能，代价是什么（如需要估计波动过程）？
  3. 适应性：非参数估计波动过程是否会损失渐近功效？即，能否达到“oracle”水平（波动已知）？
  4. bootstrap实现：由于渐近零分布依赖于未知波动过程，如何通过bootstrap进行有效推断？

已知瓶颈：现有wild bootstrap方法仅校正尺寸，未利用波动信息；而直接对波动建模可能引入估计误差，导致功效损失或尺寸扭曲。

⚠️ 作者的framing

作者将缺口frame为：“现有方法（wild bootstrap）只解决了尺寸问题，但波动信息本身可以用于提升功效，且非参数估计不会损失功效。” 他们淡化了波动过程的估计难度（如带宽选择、核函数选择）和bootstrap的额外计算成本。明显该被引却未出现在intro里的工作：本文未引用任何关于非参数波动估计的minimax最优速率或适应性检验的一般理论（如Bickel的适应性概念在时间序列中的推广）。这可能是值得研究者去查的问题：是否存在更一般的适应性检验理论，能直接应用于此？

张力

未见明显对立引用。所有被引工作（Cavaliere系列）都承认非平稳波动导致尺寸扭曲，且wild bootstrap能校正。本文是第一个挑战“校正后是否还能提升功效”的工作。

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：
  • \( X_t \)：\( p \)-维时间序列（可观测），\( t = 1, \dots, T \)。
  • \( \Delta X_t = X_t - X_{t-1} \)：一阶差分。
  • \( \Pi \)：\( p \times p \) 系数矩阵，其秩 \( r \) 为协整秩（待检验）。
  • \( \alpha, \beta \)：\( p \times r \) 矩阵，满足 \( \Pi = \alpha \beta' \)，其中 \( \beta \) 为协整向量，\( \alpha \) 为调整系数。
  • \( \varepsilon_t \)：\( p \)-维创新向量（不可观测），满足 \( \varepsilon_t = \sigma_t z_t \)，其中 \( \sigma_t \) 是 \( p \times p \) 时变波动矩阵（非平稳），\( z_t \) 是 \( p \)-维i.i.d.白噪声（均值为0，方差为单位阵）。
  • \( \Sigma_t = \sigma_t \sigma_t' \)：时变方差-协方差矩阵（\( p \times p \)，正定）。
  • \( \hat{\Sigma}_t \)：对 \( \Sigma_t \) 的非参数估计（如核平滑）。

  • \( H_0: \text{rank}(\Pi) = r_0 \)（协整秩为 \( r_0 \)），\( H_1: \text{rank}(\Pi) > r_0 \)（更高秩，即更少协整关系）。

  • 模型： 考虑一个向量自回归（VAR）模型：

    \[\Delta X_t = \Pi X_{t-1} + \sum_{i=1}^{k-1} \Gamma_i \Delta X_{t-i} + \varepsilon_t,\]
    其中 \( \varepsilon_t = \sigma_t z_t \)，\( z_t \sim \text{i.i.d.}(0, I_p) \)，且 \( \sigma_t \) 是确定性（非随机）但未知的时变矩阵，允许持久性变化（如结构突变、平滑趋势等）。\( \Pi \) 的秩决定协整关系个数。

  • 可观测数据：

  • 研究者观测到 \( X_1, \dots, X_T \)（\( p \)-维时间序列）。
  • 研究者不观测 \( \varepsilon_t \)（创新）、\( \sigma_t \)（波动过程）、\( z_t \)（白噪声）。
  • 研究者需要从 \( X_t \) 中推断 \( \Pi \) 的秩，同时处理未知的时变波动 \( \sigma_t \)。

第二步：讲最小内核

最简特例：假设 \( p = 2 \)（二元时间序列），\( k = 1 \)（无滞后差分项），且 \( \sigma_t \) 是标量时变波动（即 \( \Sigma_t = \sigma_t^2 I_2 \)，相关性恒为0，仅方差变化）。此时模型退化为：

\[\Delta X_t = \Pi X_{t-1} + \sigma_t z_t, \quad z_t \sim \text{i.i.d.} N(0, I_2).\]
协整秩检验简化为：\( H_0: \text{rank}(\Pi) = 0 \)（无协整，即 \( \Pi = 0 \)） vs \( H_1: \text{rank}(\Pi) = 1 \)（有协整）。

核心思路： 1. 若 \( \sigma_t \) 已知：可以构造“加权”似然比检验，即对每个观测 \( \Delta X_t \) 和 \( X_{t-1} \) 按 \( 1/\sigma_t^2 \) 加权。这等价于对数据进行“去波动”变换：\( \tilde{\Delta X}_t = \Delta X_t / \sigma_t \)，\( \tilde{X}_{t-1} = X_{t-1} / \sigma_t \)，然后对变换后的数据做标准Johansen检验。此时检验统计量的渐近分布是标准化的（不依赖于 \( \sigma_t \)），且功效最优。 2. 若 \( \sigma_t \) 未知：用非参数方法（如核平滑）估计 \( \sigma_t^2 \)，得到 \( \hat{\sigma}_t^2 \)。然后用 \( \hat{\sigma}_t^2 \) 代替 \( \sigma_t^2 \) 做加权似然比检验。 3. 关键命题：在适当条件下（如 \( \sigma_t \) 足够光滑，核估计一致），用 \( \hat{\sigma}_t^2 \) 代替 \( \sigma_t^2 \) 后，检验统计量的渐近分布与 \( \sigma_t \) 已知情形相同，且渐近局部功效也相同。这就是“适应性”：非参数估计不损失功效。

为什么这个特例抓住了核心：整个论文的数学困难在于：① 波动矩阵 \( \Sigma_t \) 是 \( p \times p \) 且时变，估计它需要处理高维非参数问题；② 检验统计量是似然比形式，其渐近分布依赖于 \( \Sigma_t \) 的整个路径。但在标量波动特例下，这些困难被极大简化：波动估计退化为单变量核平滑，似然比统计量退化为加权最小二乘形式。论文的一般情形只是这个特例的“加壳”：将标量波动推广到矩阵波动，将无滞后推广到有滞后，将核平滑推广到更一般的非参数估计。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在多元时间序列的协整检验中，当创新方差矩阵存在非平稳波动时，如何构造一个既能控制尺寸、又能利用波动信息提升功效的检验。
  2. 核心工具/方法：在似然函数中显式建模时变波动矩阵，构造似然比检验统计量，并用非参数核平滑估计波动矩阵；证明了在适当条件下，非参数估计不导致渐近局部功效损失（适应性）。
  3. 主要结论：新检验在保持良好尺寸性质的同时，功效显著优于现有wild bootstrap方法；渐近零分布依赖于未知波动过程，但可通过wild bootstrap或残差bootstrap实现有效推断。

关键设定与假设

  • 模型：VAR(k) 模型，\( \Delta X_t = \Pi X_{t-1} + \sum_{i=1}^{k-1} \Gamma_i \Delta X_{t-i} + \varepsilon_t \)，其中 \( \varepsilon_t = \sigma_t z_t \)，\( z_t \sim \text{i.i.d.}(0, I_p) \)。
  • 波动过程：\( \sigma_t = \sigma(t/T) \)，即波动是时间尺度的确定性函数（非随机），允许持久性变化（如结构突变、平滑趋势）。这是关键假设：波动是确定性的，而非随机过程（如随机波动模型）。这简化了理论分析，但限制了应用范围。
  • 光滑性假设：\( \sigma(u) \) 在 \( [0,1] \) 上足够光滑（如Lipschitz连续），以保证核估计的一致性。
  • 协整假设：\( \Pi = \alpha \beta' \)，其中 \( \alpha \) 和 \( \beta \) 是满秩矩阵，且特征根条件保证 \( X_t \) 是 \( I(1) \) 过程（一阶单整）。
  • 相比已有文献：放宽了恒定方差假设（Johansen），但保留了确定性波动假设（与Cavaliere系列一致）。强化了：要求波动过程足够光滑以支持非参数估计。

主要结果

  • 定理1（适应性）：在正则条件下，用非参数核平滑估计 \( \Sigma_t \) 构造的似然比检验统计量，其渐近分布与 \( \Sigma_t \) 已知情形相同。这意味着非参数估计不改变检验的渐近零分布。
  • 定理2（局部功效）：在局部备择假设（\( \Pi = T^{-1} C \)）下，用估计波动构造的检验的渐近功效与波动已知情形相同。即，非参数估计不损失渐近局部功效。
  • 定理3（bootstrap有效性）：wild bootstrap和残差bootstrap都能一致地逼近检验统计量的渐近分布，从而提供有效的临界值。

直觉：非参数估计的收敛速率（如 \( O_p(T^{-2/5}) \)）快于检验统计量的收敛速率（\( O_p(T^{-1}) \)），因此估计误差在渐近上可忽略。这是“适应性”成立的关键。

证明路线与技术技巧

  • 整体路线：
  • 构造检验统计量：写出带时变波动的似然函数，推导似然比统计量 \( LR_T \) 的表达式，它依赖于 \( \Sigma_t \) 的逆矩阵。
  • 用核估计代替真实波动：用 \( \hat{\Sigma}_t \)（核平滑估计）代替 \( \Sigma_t \)，得到 \( \widehat{LR}_T \)。
  • 证明 \( \widehat{LR}_T \) 与 \( LR_T \) 的渐近等价性：通过泰勒展开和随机积分，证明 \( \widehat{LR}_T - LR_T = o_p(1) \)（在零假设和局部备择下）。
  • 推导 \( LR_T \) 的渐近分布：利用泛函中心极限定理，将 \( LR_T \) 表示为布朗运动泛函，其分布依赖于 \( \Sigma_t \) 的路径。

  • bootstrap实现：用wild bootstrap或残差bootstrap生成 \( \widehat{LR}_T^* \)，证明其条件分布一致收敛到 \( LR_T \) 的渐近分布。

  • 关键跳跃点：

  • 跳跃1：证明 \( \widehat{LR}_T - LR_T = o_p(1) \) 需要处理核估计的偏差和方差。难点在于：核估计的偏差项（\( O(h^2) \)）和方差项（\( O(1/(Th)) \)）必须足够小，使得 \( \widehat{LR}_T \) 的收敛速率不受影响。作者通过假设 \( h \to 0 \) 且 \( Th^2 \to \infty \)（即带宽选择满足偏差-方差平衡）来克服。

  • 跳跃2：推导 \( LR_T \) 的渐近分布时，需要处理时变波动下的随机积分。作者利用泛函中心极限定理（如Phillips (1987)）将部分和过程弱收敛到布朗运动，再通过连续映射定理得到统计量的极限分布。

  • 技术技巧点名：

  • 核平滑估计：用于估计时变波动矩阵 \( \Sigma_t \)。用在哪：构造 \( \hat{\Sigma}_t \)。
  • 泛函中心极限定理：用于推导检验统计量的渐近分布。用在哪：将部分和过程弱收敛到布朗运动。
  • 连续映射定理：用于从部分和过程的弱收敛推导统计量的弱收敛。用在哪：连接泛函中心极限定理和统计量的极限分布。
  • wild bootstrap：用于生成检验统计量的条件分布。用在哪：实现有效推断。
  • 泰勒展开：用于证明 \( \widehat{LR}_T \) 与 \( LR_T \) 的渐近等价性。用在哪：展开核估计的逆矩阵。

真实例子与应用

  • 数据/场景：
  • 美国利率期限结构：使用美国3个月、6个月、1年期国债收益率数据（1970-2010年），检验是否存在协整关系（即利率是否长期均衡）。
  • 购买力平价（PPP）：使用美元/英镑、美元/日元、美元/马克的实际汇率数据（1973-2008年），检验PPP是否成立（即实际汇率是否均值回归）。
  • 如何应用：对每个数据集，先估计VAR模型，然后用本文提出的适应性检验（用核平滑估计时变波动）和现有wild bootstrap检验分别进行协整秩检验。
  • 结果：在利率数据中，适应性检验在5%显著性水平下拒绝了协整秩为1的零假设（即支持存在2个协整关系），而wild bootstrap检验未能拒绝。在PPP数据中，适应性检验在5%水平下拒绝了协整秩为0的零假设（即支持PPP成立），而wild bootstrap检验在10%水平下才显著。
  • 这个例子想说明什么：适应性检验比wild bootstrap检验更敏感（功效更高），能检测到后者遗漏的协整关系。这验证了理论预测：利用波动信息可以提升功效。

🔎 结论是否比证明窄

  • 窄结论1：适应性定理（定理1和2）的证明依赖于确定性波动假设（\( \sigma_t = \sigma(t/T) \)）。论文在结论中泛泛声称“适应性成立”，但未讨论随机波动模型（如GARCH或随机波动）下的情况。在随机波动下，波动过程本身是随机的，非参数估计的收敛速率可能更慢，适应性可能不成立。具体语句：论文在假设部分明确写“\( \sigma_t = \sigma(t/T) \)”，但在结论部分未强调这一限制。
  • 窄结论2：bootstrap有效性的证明依赖于核估计的一致性，这要求波动过程足够光滑。若波动存在突变点（如方差在某个时间点突然跳变），核估计的偏差可能很大，bootstrap可能失效。论文在模拟中考虑了突变情形，但理论证明未覆盖。
  • 窄结论3：论文只证明了渐近局部功效（在局部备择 \( \Pi = T^{-1} C \) 下），未讨论固定备择下的功效。在固定备择下，适应性是否仍成立？论文未给出证明或讨论。

四、开放问题

  1. 随机波动下的适应性：若 \( \sigma_t \) 是随机过程（如GARCH或随机波动），非参数估计的收敛速率可能更慢，适应性是否仍成立？扎根：论文假设 \( \sigma_t = \sigma(t/T) \)（确定性），未讨论随机波动。
  2. 突变波动下的bootstrap：若波动存在突变点，核估计的偏差可能很大，bootstrap是否仍有效？扎根：论文模拟考虑了突变，但理论证明假设光滑性。
  3. 固定备择下的功效：论文只证明了局部备择下的适应性，固定备择下是否仍有功效优势？扎根：论文定理2只覆盖局部备择。
  4. 高维协整检验：当 \( p \) 很大（如 \( p > T \)）时，波动矩阵估计和协整秩检验都面临维度灾难。能否将适应性思想推广到高维？扎根：论文假设 \( p \) 固定，未讨论高维情形。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论