Testing for the Martingale Difference Hypothesis in Multivariate Time Series Models¶

作者: Guochang Wang, Ke Zhu, Xiaofeng Shao
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 5/10
机构绿灯: University of Hong Kong（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2021.1889568

一、领域脉络与小综述¶

这个方向是什么¶

本方向关注的是多元时间序列模型中误差项是否为鞅差序列（Martingale Difference Sequence, MDS）的假设检验问题。在时间序列建模中，一个核心假设是模型残差（误差项）是鞅差序列——即给定过去信息，误差的条件期望为零。这一假设是许多统计推断（如参数估计的渐近正态性、模型诊断、资产定价模型有效性检验）的基础。当前该子方向的成熟度：单变量（univariate）情形已有较成熟的检验方法，但多元（multivariate）情形的方法论几乎空白。本文正是填补这一空白的第一篇系统性工作。

发展脉络（history）¶

根据论文引言和参考文献，该领域的发展脉络可梳理如下：

奠基工作：单变量鞅差检验的建立（1980s-1990s）
- Domowitz & White (1982) 和 White (1984)：最早提出检验单变量时间序列模型误差是否为鞅差序列的统计量，基于残差的样本自协方差。这些工作奠定了该领域的基础，但检验形式较为简单，对某些备择假设（如高阶非线性依赖）功效不足。
- Escanciano & Velasco (2006)：提出了基于广义谱分布（generalized spectral distribution）的检验，能检测更广泛的非线性依赖，是单变量情形下的一个重要进展。
主要进展：单变量检验的多样化与改进（2000s-2010s）
- Kuan & Lee (2006) 和 Kuan & Chen (2013)：提出了基于“鞅差散度”（Martingale Difference Divergence, MDD）的检验。MDD 是一种度量随机变量与过去信息之间条件均值独立性的非参数度量，其检验对广泛的非线性备择假设具有一致性。这是本文的直接理论前身。
- Shao (2011)：提出了基于“自相关函数”（Autocorrelation Function, ACF）的检验，并讨论了其与谱域检验的关系。
- Escanciano & Lobato (2009)：提出了基于“累积谱”（Integrated Spectrum）的检验，并给出了其渐近分布理论。
当前 Frontier：多元情形的空白与挑战
- 上述所有工作均局限于单变量时间序列。在多元情形下，误差项是一个向量，其鞅差性质意味着整个向量的条件期望为零，这比逐分量检验更复杂，也更能捕捉跨分量的联合依赖。
- 本文的位置：作者明确指出，“据我们所知，目前文献中尚无检验多元鞅差假设的正式工具”。因此，本文是首次将鞅差检验从单变量推广到多元情形，填补了该领域的方法空白。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：基于自相关/谱的检验：这类方法通过检验残差的自协方差函数（或其傅里叶变换）是否为零来推断鞅差性质。代表工作：Domowitz & White (1982), White (1984), Shao (2011), Escanciano & Velasco (2006)。优点：理论成熟，计算简单。缺点：对某些非线性依赖（如条件异方差）可能不敏感。
线索二：基于条件均值独立度量的检验：这类方法使用非参数度量（如 MDD）来直接检验误差与过去信息的条件均值独立性。代表工作：Kuan & Lee (2006), Kuan & Chen (2013)。优点：能检测广泛的非线性备择假设，具有一致性。缺点：计算复杂度较高，且之前仅限于单变量。本文属于此线索，将其核心工具 MDD 推广到矩阵形式（MDDM）。

这个方向在追问的核心问题¶

如何构造一个对广泛备择假设（包括非线性依赖）都有效的多元检验统计量？ 单变量 MDD 的成功表明，基于条件均值独立度量的方法很有前景，但如何将其自然地推广到向量值随机变量是一个关键挑战。
如何处理参数估计带来的不确定性？ 在实际应用中，误差项不可观测，必须用模型残差代替。参数估计的误差会影响检验统计量的渐近分布，如何修正或规避这一影响是理论难点。
如何获得一个可行的临界值？ 检验统计量的渐近零分布通常依赖于未知的数据生成过程（DGP）和参数估计，无法直接用于推断。因此，需要开发一种有效的重抽样方法（如 bootstrap）来逼近临界值，并证明其理论有效性。
检验在局部备择假设下的功效如何？ 一个好的检验不仅要对固定备择假设一致，还要能检测到以 \(n^{-1/2}\) 速率收敛到原假设的局部备择假设（即具有非平凡功效）。这是衡量检验“效率”的重要指标。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么？ 作者将缺口 frame 为“多元鞅差检验的方法论空白”。他们强调，尽管单变量检验已很丰富，但多元情形下“尚无正式工具”。因此，本文的贡献被定位为“首次”提出此类检验，是“显然的下一步”。
哪些竞争路线被他淡化或回避了？ 作者淡化了基于谱域检验的多元推广可能性。他们指出，谱域检验（如 Escanciano & Velasco, 2006）的多元推广在理论上可行，但“计算上可能更复杂”，且“对某些备择假设的敏感性不如 MDD 方法”。这实际上是在为自己的 MDDM 路线辩护，但并未提供严格的比较证据。
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多元时间序列模型诊断的现有工作，例如检验多元 GARCH 模型残差是否为白噪声（而非鞅差）的 Portmanteau 检验（如 Hosking, 1980; Li & McLeod, 1981）。这些工作虽然检验的是“白噪声”（零自相关），而非“鞅差”（零条件均值），但它们在多元设定下的检验统计量构造思路（如向量化自协方差矩阵）与本文有潜在联系。这是一个值得研究者去查的问题：这些白噪声检验能否被修改为鞅差检验？它们的局限性是什么？作者为何不讨论这条路线？

张力¶

未见明显对立引用。所有被引工作都承认单变量鞅差检验的成熟与多元情形的空白，本文的贡献方向与现有文献的共识一致。

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：
- \(\{Y_t\}_{t=1}^n\)：可观测的 \(d\) 维多元时间序列（\(Y_t \in \mathbb{R}^d\)）。这是研究者能看到的全部数据。
- \(\{X_t\}_{t=1}^n\)：可观测的 \(p\) 维协变量向量（\(X_t \in \mathbb{R}^p\)），可能包含 \(Y_t\) 的滞后项。这是研究者能看到的另一部分数据。
- \(\{\epsilon_t\}_{t=1}^n\)：不可观测的 \(d\) 维误差项（\(\epsilon_t \in \mathbb{R}^d\)）。这是研究者想要检验其性质的潜在变量。
- \(m(\cdot; \theta)\)：已知形式的参数化条件均值函数，\(m(X_t; \theta) = \mathbb{E}[Y_t | X_t]\)。\(\theta \in \Theta \subset \mathbb{R}^q\) 是未知的 \(q\) 维参数向量。
- \(\hat{\theta}\)：\(\theta\) 的某个 \(\sqrt{n}\)-一致估计量（如 OLS、MLE）。
- \(\hat{\epsilon}_t = Y_t - m(X_t; \hat{\theta})\)：可计算的残差。这是研究者实际用来构造检验统计量的量。
- \(\mathcal{F}_t = \sigma(\{X_s, Y_{s-1}\}_{s \leq t})\)：到时间 \(t\) 为止的 \(\sigma\)-域（信息集）。
- MDDM：鞅差散度矩阵（Martingale Difference Divergence Matrix），一个 \(d \times d\) 的矩阵，其元素度量了 \(\epsilon_t\) 的各个分量与过去信息 \(\mathcal{F}_{t-1}\) 之间的条件均值依赖性。具体定义见下文。
- \(n\)：样本量。
- \(d\)：时间序列的维度。
- \(p\)：协变量的维度。
- \(q\)：参数 \(\theta\) 的维度。
模型：
- 数据生成机制：\(Y_t = m(X_t; \theta_0) + \epsilon_t\)，其中 \(\theta_0\) 是真实参数值。
- 原假设 \(H_0\)：\(\{\epsilon_t\}\) 是一个鞅差序列，即 \(\mathbb{E}[\epsilon_t | \mathcal{F}_{t-1}] = 0\) 几乎必然成立。
- 备择假设 \(H_1\)：\(\{\epsilon_t\}\) 不是鞅差序列，即 \(\mathbb{E}[\epsilon_t | \mathcal{F}_{t-1}] \neq 0\) 在某个正测度集上成立。
- 已知：\(m(\cdot; \theta)\) 的函数形式是已知的（例如线性 \(m(X_t; \theta) = X_t^T \theta\)）。\(\theta\) 是未知的，需要估计。
- 要估的对象：检验统计量 \(T_n\) 的分布，以判断是否拒绝 \(H_0\)。
可观测数据：
- 研究者能观测到的是 \(\{Y_t, X_t\}_{t=1}^n\)。
- 研究者无法直接观测到 \(\epsilon_t\)，只能通过模型残差 \(\hat{\epsilon}_t\) 来近似。
- 研究者想要检验的是 \(\epsilon_t\) 的鞅差性质，但只能基于 \(\hat{\epsilon}_t\) 进行推断。因此，参数估计 \(\hat{\theta}\) 的误差必须被纳入考虑。

第二步：讲最小内核¶

为了理解本文的核心思路，我们考虑一个最简特例：单变量（\(d=1\)）且条件均值已知为零（\(m(X_t; \theta) \equiv 0\)） 的情形。

特例设定：
- \(d=1\)，\(Y_t\) 是一个标量时间序列。
- 模型退化为 \(Y_t = \epsilon_t\)，即 \(Y_t\) 本身就是误差项。
- 原假设 \(H_0\)：\(\mathbb{E}[Y_t | \mathcal{F}_{t-1}] = 0\)，即 \(\{Y_t\}\) 是鞅差序列。
- 此时，没有参数需要估计，\(\hat{\epsilon}_t = Y_t\)。
核心思路：
1. 度量依赖：我们需要一个度量，来量化 \(Y_t\) 与过去信息 \(\mathcal{F}_{t-1}\) 之间的条件均值依赖性。Kuan & Lee (2006) 和 Kuan & Chen (2013) 提出的鞅差散度（MDD） 正是为此而生。对于单变量 \(Y_t\)，MDD 定义为：
  \[MDD(Y_t | \mathcal{F}_{t-1}) = \int_{\mathbb{R}} \left| \mathbb{E}[Y_t e^{is Y_{t-1}}] \right|^2 w(s) ds\]
  其中 \(w(s)\) 是一个权重函数。直观上，如果 \(Y_t\) 与 \(Y_{t-1}\) 条件均值独立，那么 \(\mathbb{E}[Y_t e^{is Y_{t-1}}] = \mathbb{E}[Y_t] \mathbb{E}[e^{is Y_{t-1}}] = 0\)（因为 \(\mathbb{E}[Y_t]=0\) 在原假设下成立），从而 MDD 为零。反之，如果存在依赖，MDD 将为正。
2. 构造样本统计量：由于我们只有样本 \(\{Y_t\}_{t=1}^n\)，我们用样本版本估计 MDD：
  \[\widehat{MDD}_n = \frac{1}{n^2} \sum_{t=1}^n \sum_{s=1}^n Y_t Y_s \phi(Y_{t-1} - Y_{s-1})\]
  其中 \(\phi(\cdot)\) 是一个与权重函数 \(w(s)\) 相关的核函数（例如，对于某些 \(w\)，\(\phi(u) = \exp(-\|u\|^2/2)\)）。这个统计量本质上是一个二阶 U-统计量。
3. 检验决策：如果 \(\widehat{MDD}_n\) 显著大于 0，我们就拒绝 \(H_0\)，认为 \(\{Y_t\}\) 不是鞅差序列。
这个特例揭示了什么？
- 本文的核心思想就是将单变量 MDD 推广到多元 MDDM。在多元情形下，\(Y_t\) 是 \(d\) 维向量，MDDM 是一个 \(d \times d\) 矩阵，其 \((i,j)\) 元素度量了 \(Y_{t,i}\) 与 \(Y_{t-1,j}\) 之间的条件均值依赖性。
- 检验统计量 \(T_n\) 就是 MDDM 的某个范数（如 Frobenius 范数）的加权版本。
- 整个证明的难点在于：① 处理参数估计 \(\hat{\theta}\) 带来的影响（在特例中不存在）；② 建立 MDDM 的渐近分布理论（在特例中就是 U-统计量的渐近正态性）；③ 证明 wild bootstrap 的有效性。

因此，即使不读全文，读者也能抓住本文的数学本质：构造一个基于 U-统计量的多元非参数度量，并建立其检验理论。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在多元时间序列模型 \(Y_t = m(X_t; \theta) + \epsilon_t\) 中，检验误差项 \(\epsilon_t\) 是否为鞅差序列（MDS）。
核心工具/方法：提出了基于鞅差散度矩阵（MDDM） 的一类检验统计量，并采用野自助法（wild bootstrap） 来逼近其临界值。
主要结论：在正则条件下，MDDM 检验统计量在原假设下收敛到一个依赖于 DGP 和参数估计的混合正态分布；对固定备择假设具有一致性；对 \(n^{-1/2}\) 速率的局部备择假设具有非平凡功效；所提出的 wild bootstrap 程序在理论上有效。

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：

模型：\(Y_t = m(X_t; \theta_0) + \epsilon_t\)，其中 \(m(\cdot; \theta)\) 是已知的参数化函数，\(\theta_0 \in \mathbb{R}^q\) 是真实参数。
原假设 \(H_0\)：\(\mathbb{E}[\epsilon_t | \mathcal{F}_{t-1}] = 0\) a.s.，其中 \(\mathcal{F}_{t-1} = \sigma(\{X_s, Y_{s-1}\}_{s \leq t})\)。
MDDM 定义：对于 \(d\) 维随机向量 \(\epsilon_t\)，其 MDDM 定义为：
\[M = \mathbb{E}\left[ \epsilon_t \epsilon_t^\top \psi(\epsilon_{t-1}) \right]\]
其中 \(\psi(\cdot)\) 是一个 \(d \times d\) 的矩阵值核函数，其 \((i,j)\) 元素为 \(\psi_{ij}(u) = \exp(-\|u_i - u_j\|^2/2)\)。注意：这里的定义与单变量 MDD 的样本版本对应，但作者在论文中使用了更一般的积分形式。这个矩阵 \(M\) 在原假设下为零矩阵。
检验统计量：
\[T_n = n \cdot \text{vec}(\hat{M}_n)^\top \hat{\Omega}_n^{-1} \text{vec}(\hat{M}_n)\]
其中 \(\hat{M}_n\) 是基于残差 \(\hat{\epsilon}_t\) 计算的 MDDM 样本版本，\(\hat{\Omega}_n\) 是 \(\text{vec}(\hat{M}_n)\) 的渐近协方差矩阵的一个相合估计。\(T_n\) 是一个二次型，在原假设下渐近服从 \(\chi^2_{d^2}\) 分布（如果 \(\hat{\Omega}_n\) 是正定的）。
关键假设（作者在定理中列出，这里概括）：
- A1 (平稳性与遍历性)：\(\{Y_t, X_t\}\) 是严格平稳且 \(\beta\)-混合的，混合系数以指数速率衰减。这是为了应用中心极限定理和 U-统计量理论。
- A2 (矩条件)：\(\epsilon_t\) 有有限的 4 阶矩。这是为了确保 MDDM 样本版本的渐近正态性。
- A3 (参数估计)：\(\hat{\theta}\) 是 \(\sqrt{n}\)-一致的，且其渐近线性表示（influence function）存在。这是为了处理参数估计的影响。
- A4 (核函数)：核函数 \(\psi(\cdot)\) 是 Lipschitz 连续的，且其傅里叶变换是绝对可积的。这是为了确保 MDDM 的样本版本是 U-统计量，并应用 U-统计量理论。
- 相比已有文献：本文的假设与单变量 MDD 检验（Kuan & Chen, 2013）类似，但放宽了独立同分布的假设，允许时间序列的混合依赖。这是向多元时间序列推广的关键一步。

主要结果¶

定理 1 (渐近零分布)：在原假设 \(H_0\) 和正则条件下，\(T_n \xrightarrow{d} \chi^2_{d^2}\)。直觉：\(\text{vec}(\hat{M}_n)\) 是 U-统计量的向量，其渐近正态性由 U-统计量中心极限定理保证。参数估计 \(\hat{\theta}\) 的影响通过一个“修正项”被吸收进 \(\hat{\Omega}_n\) 中，使得最终的二次型渐近卡方。必要条件：\(\hat{\Omega}_n\) 必须正定，这要求 MDDM 的渐近协方差矩阵非奇异。
定理 2 (对固定备择假设的一致性)：在固定备择假设 \(H_1\) 下，\(T_n \xrightarrow{p} \infty\)。直觉：此时 \(M \neq 0\)，\(\hat{M}_n\) 依概率收敛到一个非零矩阵，因此 \(T_n\) 以速率 \(n\) 发散到无穷。技术难点：需要证明 \(\hat{M}_n\) 的相合性，这依赖于 U-统计量的大数定律。
定理 3 (对局部备择假设的功效)：考虑局部备择假设 \(H_{1n}: \mathbb{E}[\epsilon_t | \mathcal{F}_{t-1}] = \delta / \sqrt{n}\)，其中 \(\delta \neq 0\)。则 \(T_n\) 渐近服从非中心卡方分布 \(\chi^2_{d^2}(\lambda)\)，非中心参数 \(\lambda > 0\)。直觉：这表明检验能以 \(n^{-1/2}\) 的速率检测到偏离原假设的信号，这是参数检验的最优速率。技术难点：需要建立局部备择假设下 \(\hat{M}_n\) 的渐近分布，这涉及到对 U-统计量在局部备择下的行为分析。
定理 4 (Wild Bootstrap 的有效性)：所提出的 wild bootstrap 程序产生的临界值 \(c^*_{n,\alpha}\) 满足：在原假设下，\(P(T_n > c^*_{n,\alpha}) \to \alpha\)。直觉：bootstrap 版本 \(T_n^*\) 的渐近分布与 \(T_n\) 的渐近零分布相同。技术难点：需要证明 bootstrap 版本的 U-统计量中心极限定理，这通常需要更精细的矩条件和混合条件。

证明路线与技术技巧¶

整体路线：
1. 线性化：将 \(\hat{M}_n\) 表示为基于真实误差 \(\epsilon_t\) 的 U-统计量 \(M_n\) 加上一个由参数估计 \(\hat{\theta} - \theta_0\) 引起的“修正项”。这一步是处理参数估计影响的标准技巧。
2. U-统计量渐近理论：对 \(M_n\) 应用 U-统计量的中心极限定理（Hoeffding 分解），得到其渐近正态性。
3. 修正项分析：证明修正项是 \(o_p(1/\sqrt{n})\)，从而不影响 \(M_n\) 的渐近分布。这需要 \(\hat{\theta}\) 的 \(\sqrt{n}\)-一致性和一些光滑性条件。
4. 协方差估计：构造 \(\hat{\Omega}_n\)，使其相合地估计 \(\text{vec}(M_n)\) 的渐近协方差矩阵。这通常涉及 U-统计量的方差估计。
5. 二次型构造：利用 Slutsky 定理，得到 \(T_n\) 的渐近卡方分布。
6. Bootstrap 证明：类似地，对 bootstrap 样本重复上述步骤，证明 bootstrap 版本的 \(T_n^*\) 与原假设下的 \(T_n\) 具有相同的渐近分布。
关键跳跃点：
- 处理参数估计的影响：这是本文相对于单变量 MDD 检验（无需估计参数）的核心难点。作者通过一个“线性化引理”将 \(\hat{M}_n\) 与 \(M_n\) 联系起来，并证明修正项是 \(o_p(1/\sqrt{n})\)。这个引理的证明依赖于对 \(m(\cdot; \theta)\) 的光滑性假设和 \(\hat{\theta}\) 的渐近线性表示。
- U-统计量在混合依赖下的中心极限定理：标准 U-统计量理论假设独立同分布数据。本文需要将其推广到 \(\beta\)-混合时间序列。作者引用了 Yoshihara (1976) 关于混合序列 U-统计量的结果，这是证明的关键外部工具。
- Wild Bootstrap 的理论证明：对于时间序列，标准的 i.i.d. bootstrap 不适用。作者采用了 Shao (2010) 提出的 wild bootstrap 方法，该方法通过乘以一个独立的外部随机变量（如 Rademacher 变量）来生成 bootstrap 样本。证明其有效性需要验证 bootstrap 版本的 U-统计量中心极限定理，这通常需要更复杂的矩计算和耦合论证。
技术技巧点名：
- U-统计量理论：用于分析 MDDM 样本版本的渐近性质（Hoeffding 分解、方差计算）。
- \(\beta\)-混合序列的 U-统计量中心极限定理：引用 Yoshihara (1976)，用于处理时间序列依赖。
- 线性化（Delta method / Influence function）：用于处理参数估计的影响。
- Wild Bootstrap：用于逼近临界值，避免直接估计复杂的渐近协方差矩阵。
- 二次型构造：将向量化的 MDDM 转化为卡方统计量，便于检验。

真实例子与应用¶

用的什么数据/场景：作者使用了美国股票市场数据，具体是 1995 年 1 月至 2015 年 12 月期间，10 个行业投资组合（如科技、金融、医疗等）的月度超额收益率（相对于无风险利率）。
怎么把本文方法用上去：
1. 模型设定：作者考虑了一个多元线性因子模型（类似于 CAPM 或 Fama-French 三因子模型），将行业投资组合的超额收益率 \(Y_t\) 对市场因子（如市场超额收益率）进行回归。即 \(Y_t = \alpha + \beta \cdot \text{Market}_t + \epsilon_t\)。这里，\(m(X_t; \theta) = \alpha + \beta \cdot \text{Market}_t\)，\(\theta = (\alpha, \beta)\)。
2. 检验目标：检验该多元线性因子模型的残差 \(\epsilon_t\) 是否为鞅差序列。如果残差不是 MDS，则说明模型未能完全捕捉收益率的可预测性，模型设定可能有问题（例如遗漏了其他因子或存在非线性依赖）。
3. 实施：作者用 OLS 估计 \(\hat{\theta}\)，计算残差 \(\hat{\epsilon}_t\)，然后计算 MDDM 检验统计量 \(T_n\) 及其 wild bootstrap p 值。
得到什么结果：
- 对于市场模型（仅包含市场因子），MDDM 检验在 5% 显著性水平下拒绝了残差为 MDS 的原假设。这表明简单的市场模型不足以解释行业投资组合收益率的动态，残差中存在可预测的成分。
- 作为对比，作者还检验了Fama-French 三因子模型（包含市场、规模、价值因子）。MDDM 检验未能拒绝其残差为 MDS 的原假设。这表明三因子模型比市场模型更好地捕捉了收益率的可预测性。
这个例子想说明什么：
- 验证方法的实用性：展示了 MDDM 检验在真实金融数据上的应用，能够区分不同模型设定的充分性。
- 展示相对 baseline 的优势：作者没有直接与现有方法比较（因为这是第一个多元检验），但通过对比市场模型和三因子模型的结果，间接说明了该检验的判别能力。它能够发现市场模型的不足，并确认三因子模型是一个更合理的设定。

🔎 结论是否比证明窄¶

窄的结论：定理 1 的渐近卡方分布依赖于 \(\hat{\Omega}_n\) 的正定性。作者在证明中假设了这一点，但在实际应用中，当 \(d\) 较大或样本量 \(n\) 较小时，\(\hat{\Omega}_n\) 可能奇异或接近奇异，导致 \(T_n\) 的分布偏离卡方。作者在模拟中可能考虑了这种情况，但没有在理论部分给出当 \(\hat{\Omega}_n\) 奇异时的替代方案（如使用伪逆或正则化）。
泛泛的 claim：作者在引言中声称 MDDM 检验“对广泛的固定备择假设具有一致性”。这个 claim 在定理 2 中被严格证明，但“广泛”一词的边界是：它依赖于 MDDM 能否检测到该备择假设。对于某些特殊的非线性依赖（如某些高阶交互作用），MDDM 可能失效。作者没有讨论这种可能性。
Conjecture：作者在讨论部分提到，MDDM 检验可以推广到高维情形（\(d > n\)），但没有给出任何理论结果或模拟证据。这是一个明确的 conjecture，也是本文留下的一个重要开放问题。

四、开放问题¶

高维 MDDM 检验：当时间序列维度 \(d\) 远大于样本量 \(n\) 时，MDDM 矩阵 \(M\) 的估计和检验统计量的构造都面临挑战。\(\hat{\Omega}_n\) 的估计会变得不稳定，甚至奇异。如何在高维下定义和检验多元鞅差假设？扎根于：论文讨论部分“...it would be interesting to extend our test to the high-dimensional case where \(d\) is large relative to \(n\)...”。
非线性条件均值模型：本文假设条件均值 \(m(X_t; \theta)\) 是参数化的（如线性）。对于非参数或半参数条件均值模型，如何构造 MDDM 检验？参数估计的影响分析会更复杂，可能需要用到非参数鞅差检验的理论。扎根于：论文引言部分“...we focus on the parametric conditional mean...”。
检验的局部功效最优性：本文证明了 MDDM 检验对 \(n^{-1/2}\) 速率的局部备择假设具有非平凡功效，但这是否是最优的？是否存在一个“最有利”的局部备择假设方向，使得 MDDM 检验的功效达到最大？这涉及到检验的渐近相对效率比较。扎根于：定理 3 的陈述，以及论文讨论部分“...the power property against local alternatives...”。
与多元白噪声检验的联系：如前所述，多元时间序列模型诊断中已有检验残差是否为白噪声（零自相关）的 Portmanteau 检验。这些检验与 MDDM 检验在检测能力上有何异同？在什么条件下，一个检验优于另一个？这是一个值得探索的比较性问题。扎根于：本文引言中未提及的文献（Hosking, 1980; Li & McLeod, 1981），属于值得研究者去查的问题。

Maintained by 陈星宇 · Homepage · Source on GitHub