跳转至

A Functional Central Limit Theorem for Localized Partial Sums of Non-Stationary Time Series

作者: Florian Heinrichs
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2607.17697

一、领域脉络与小综述

这个方向是什么

本文研究的子方向是非平稳时间序列的局部化部分和过程的泛函中心极限定理。根本的统计问题是：当时间序列的分布（均值、方差、自协方差）随时间平滑或分段变化时，如何为核加权局部部分和过程建立过程水平的弱收敛理论，从而为基于局部平滑的假设检验（如均值函数是否恒定）提供渐近基础。当前成熟度：点态正态性已较好理解（Dahlhaus et al. 2019），但过程水平的收敛（尤其是分布空间中的弱收敛）尚不完整，本文填补了这一缺口。

发展脉络（history）

  • 奠基工作：Dahlhaus (1996) 引入局部平稳性框架，将非平稳过程局部近似为平稳过程族，为渐近分析奠定基础。Zhou and Wu (2009) 将物理相依测度引入局部平稳设定，建立了局部线性分位数估计的渐近理论。Wu (2005) 提出物理相依测度，为非线性弱相依过程的极限定理提供了统一工具。
  • 主要进展：Zhou (2013) 将物理相依测度推广到分段局部平稳（PLS）框架，并建立了高斯逼近（Proposition 5），该逼近是本文证明的核心工具。Dahlhaus et al. (2019) 给出了非线性局部平稳过程局部统计量的点态CLT（本文引用语境：“our point of departure is the pointwise CLT for localized statistics under non-linear local stationarity”）。Vogt (2012) 研究了局部平稳回归的非参数估计。Phandoidaen and Richter (2022) 建立了局部平稳过程广义经验过程的弱收敛（物理相依测度下）。Palm and Nagler (2025) 在β-混合下给出了Polish空间中的一致CLT（相对弱收敛）。
  • 当前frontier：Bücher et al. (2021) 和 Heinrichs and Dette (2021) 发展了基于sup-norm和自归一化的相关变化检验。Heinrichs (2025) 建立了自归一化CUSUM统计量。这些工作聚焦于检验方法，但缺乏对局部化部分和过程本身的过程水平极限定理。
  • 本文位置：本文在点态CLT（Dahlhaus et al. 2019）基础上，利用Zhou (2013) 的高斯逼近，将局部化部分和过程提升到分布空间D'(0,1)中的弱收敛，并进一步扩展到L²-指标过程。作者声称：“The main contribution of this paper is such a localized functional central limit theorem for piecewise locally stationary time series”。

子线索聚类

  1. 局部平稳性与物理相依测度：Dahlhaus (1996), Zhou and Wu (2009), Wu (2005), Vogt (2012), Dahlhaus et al. (2019)。这一簇建立和扩展了局部平稳框架及相依性度量。
  2. 分段局部平稳与高斯逼近：Zhou (2013), Wu and Zhou (2011)。这一簇提供了PLS过程的高斯逼近工具，是本文证明的基石。
  3. 经验过程与泛函极限定理：Phandoidaen and Richter (2022), Palm and Nagler (2025)。这一簇研究局部平稳过程下的经验过程收敛，但聚焦于广义经验过程而非核局部化部分和。
  4. 变化点检测与相关检验：Bücher et al. (2021), Heinrichs and Dette (2021), Heinrichs (2025), Dette and Wu (2019), Zhou (2013)。这一簇开发了各种检验方法，但缺乏本文提供的局部化过程极限理论作为统一基础。

核心问题与瓶颈

  • 核心问题：① 局部化部分和过程(G_n(t))_{t∈[0,1]}在什么条件下弱收敛到某个高斯随机分布？② 极限的协方差结构如何由时变长期方差σ²(t)决定？③ 能否将收敛从光滑测试函数扩展到L²函数类，从而支持投影型检验统计量？
  • 已知瓶颈：点态CLT不足以描述整个过程的联合渐近行为；传统泛函CLT（如Donsker定理）要求全局部分和，不适用于核局部化设定；分布空间D'(0,1)中的弱收敛定义较弱，但恰好适合局部化过程（因为G_n(t)作为t的函数不是连续的，但作为分布是良定义的）。

⚠️ 作者的framing

  • 作者把缺口frame成：点态CLT存在，但“pointwise weak convergence does not by itself yield a satisfactory process-level description”，因此需要“lift to a process-level statement in the space of distributions”。作者将本文定位为“显然的下一步”——从点态到过程。
  • 被淡化或回避的竞争路线：作者提到Phandoidaen and Richter (2022) 和 Palm and Nagler (2025) 的工作，但指出它们“address complementary questions on process convergence and empirical process methodology under local stationarity, whereas our focus is on kernel-localized partial sums”。作者没有深入讨论这些工作是否也能覆盖局部化部分和（可能不能，因为它们的设定是经验过程而非核加权和）。
  • 什么明显该被引/该存在、却没出现在intro里：① 关于局部化部分和过程的直接泛函极限定理，除了本文外似乎没有直接先例，所以缺失可能合理。② 关于L²-指标过程的tightness条件，作者引用了van der Vaart and Wellner (2023) 的标准结果，但未提及更具体的关于核估计过程tightness的文献（如Bickel and Rosenblatt 1973等）。③ 关于长期方差估计，作者引用了Bücher et al. (2021) 的定理6.4，但未讨论其他估计方法（如基于谱密度的估计）。这些值得研究者去查。

张力

未见明显对立引用。各被引工作基本在互补的设定下发展，没有直接矛盾。

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：
  • \(X_{i,n}\)：第n个时间序列的第i个观测值（i=1,...,n），是随机变量。
  • \(n\)：样本量（时间序列长度）。
  • \(t \in [0,1]\)：重标度时间点（\(t = i/n\) 对应原始时间i）。
  • \(K\)：核函数，对称、支集[-1,1]、Lipschitz、积分1。
  • \(h_n\)：带宽序列，\(h_n \to 0\)。
  • \(K_{h_n}(x) = K(x/h_n)/h_n\)：缩放核。
  • \(G_n(t) = \frac{1}{\sqrt{n h_n}} \sum_{i=1}^n (X_{i,n} - \mathbb{E}[X_{i,n}]) K_{h_n}(i/n - t)\)：局部化部分和过程。
  • \(\sigma^2(t)\)：时变长期方差，\(\sigma^2(t) = \sum_{k \in \mathbb{Z}} \text{Cov}(H_j(t, \mathcal{F}_0), H_j(t, \mathcal{F}_k))\)，其中\(t \in [t_j, t_{j+1}]\)。
  • \(\mathcal{F}_i = (\eta_k)_{k \leq i}\)：由i.i.d.创新序列生成的滤子。
  • \(H_j(t, \mathcal{F}_i)\)：分段局部平稳过程的滤波器，在区间\((t_j, t_{j+1}]\)上定义。
  • \(\delta_p(h)\)：p阶物理相依测度，\(\delta_p(h) = \max_{0 \leq j \leq r} \sup_{t \in [t_j, t_{j+1}]} \mathbb{E}[|H_j(t, \mathcal{F}_h) - H_j(t, \mathcal{F}_h^*)|^p]^{1/p}\)，其中\(\mathcal{F}_h^*\)将\(\eta_0\)替换为独立复制。
  • \(C_c^\infty(0,1)\)：支集在(0,1)内的光滑测试函数空间。
  • \(D'(0,1)\)：\(C_c^\infty(0,1)\)的强对偶空间（分布空间）。
  • \(\langle f, g \rangle = \int_0^1 f(x)g(x) dx\)：L²内积。
  • \(W = \{W(f)\}_{f \in L^2([0,1])}\)：L²([0,1])上的等正态高斯过程，协方差\(\mathbb{E}[W(f)W(g)] = \int f g\)。

  • \(W_\sigma = W \circ T_\sigma\)，其中\(T_\sigma(f) = f \cdot \sigma\)，即\(W_\sigma(f) = W(\sigma f)\)。

  • 模型：数据生成机制为分段局部平稳（PLS）过程：存在分点\(0 = t_0 < t_1 < \cdots < t_r < t_{r+1} = 1\)和非线性滤波器\(H_0, \ldots, H_r\)，使得当\(t_j < i/n \leq t_{j+1}\)时，\(X_{i,n} = H_j(i/n, \mathcal{F}_i)\)。其中\(\mathcal{F}_i = (\eta_k)_{k \leq i}\)，\(\eta_k\) i.i.d.。该模型允许分布特征（均值、方差、自协方差）随时间平滑变化（在每个分段内Lipschitz连续）或发生突变（在分点处）。已知量：核K、带宽h_n、创新分布（但未知具体形式）。待估对象：长期方差函数\(\sigma^2(t)\)（用于构造检验统计量）。

  • 可观测数据：研究者实际能观测到的是时间序列\(\{X_{i,n}\}_{i=1}^n\)。不可观测的是：创新序列\(\eta_k\)、滤波器\(H_j\)、分点位置\(t_j\)、长期方差\(\sigma^2(t)\)。识别依赖于物理相依测度的几何衰减假设和分段Lipschitz连续性，使得高斯逼近可行。

第二步：讲最小内核

本文的核心数学问题可以浓缩为：证明局部化部分和过程\(G_n(t)\)在分布空间\(D'(0,1)\)中弱收敛到一个高斯随机分布，其协方差由\(\sigma^2(t)\)决定。

最简特例：考虑最简单的设定——没有分段（r=0，即全局局部平稳）、误差为线性过程（例如MA(∞)）、核为均匀核\(K(x) = \frac{1}{2} \mathbf{1}_{[-1,1]}(x)\)、带宽\(h_n = n^{-\alpha}\)（\(\alpha \in (0,1/2)\)）。此时\(G_n(t) = \frac{1}{\sqrt{n h_n}} \sum_{i=1}^n \varepsilon_{i,n} \cdot \frac{1}{2} \mathbf{1}_{|i/n - t| \leq h_n}\)，其中\(\varepsilon_{i,n} = X_{i,n} - \mathbb{E}[X_{i,n}]\)。这个特例下，\(G_n(t)\)是局部平均的缩放版本。

核心思路：利用Zhou (2013) 的高斯逼近，将\(\sum_{i=1}^j \varepsilon_{i,n}\)替换为\(\sum_{i=1}^j \sigma(i/n) V_i\)，其中\(V_i\) i.i.d. N(0,1)，误差为\(o_P(n^{1/4} \log^2 n)\)。然后通过分部求和（summation-by-parts）将核加权和转化为部分和的高斯逼近的线性组合。具体地，对于任意测试函数\(\varphi \in C_c^\infty(0,1)\)，有

\[\langle \varphi, G_n \rangle = \frac{1}{\sqrt{n h_n}} \sum_{i=1}^n \varepsilon_{i,n} \int_0^1 \varphi(t) K_{h_n}(i/n - t) dt.\]
利用高斯逼近，主项变为
\[\frac{1}{\sqrt{n h_n}} \sum_{i=1}^n \sigma(i/n) V_i \int_0^1 \varphi(t) K_{h_n}(i/n - t) dt,\]
这是一个高斯随机变量（给定\(\sigma\)和\(\varphi\)），其方差为
\[\frac{1}{n h_n^2} \sum_{i=1}^n \sigma^2(i/n) \left( \int_0^1 \varphi(t) K_{h_n}(i/n - t) dt \right)^2.\]
通过变量替换和核的积分性质，该方差收敛到\(\int_0^1 \sigma^2(x) \varphi^2(x) dx\)。因此，对任意有限个测试函数，联合分布收敛到多元正态。由于\(C_c^\infty(0,1)\)可数可分离，且每个线性泛函的tightness由Mitoma定理保证，从而得到\(D'(0,1)\)中的弱收敛。

为什么这个特例抓住了本质：即使推广到分段情形和非均匀核，证明路线完全相同：高斯逼近 + 分部求和 + 方差计算。分段情形只需在每个分段上分别处理，核的非均匀性只影响方差公式中的积分（\(\int K^2\)项）。因此，最简特例已经包含了全部核心数学困难。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：为分段局部平稳时间序列的核加权局部部分和过程\(G_n(t)\)建立了分布空间\(D'(0,1)\)中的泛函中心极限定理，并进一步扩展到L²-指标过程。
  2. 核心工具/方法：利用Zhou (2013) 的PLS过程高斯逼近（基于物理相依测度几何衰减），结合分部求和技巧和分布空间弱收敛理论（Mitoma定理、Fernique的连续性定理）。
  3. 主要结论：在\(n^{1/4} h_n / \log^2 n \to \infty\)条件下，\(G_n \rightsquigarrow G\)在\(D'(0,1)\)中，其中\(G\)是中心化高斯随机分布，协方差\(\mathbb{E}[\langle \varphi, G \rangle \langle \psi, G \rangle] = \int_0^1 \sigma^2(x) \varphi(x) \psi(x) dx\)；该极限可延拓为L²上的等正态高斯过程\(W_\sigma\)；对L²的全有界子集\(\mathcal{G}\)，过程\(H_n(f) = \langle f, G_n \rangle\)在\(\ell^\infty(\mathcal{G})\)中弱收敛。

关键设定与假设

  • Assumption 1（核条件）：K对称、支集[-1,1]、Lipschitz、积分1。这是标准核条件，保证局部化性质。
  • Assumption 2（PLS过程条件）：
  • 分段L²-Lipschitz连续：\(\mathbb{E}[|H_j(t,\mathcal{F}_0) - H_j(s,\mathcal{F}_0)|^2]^{1/2} \leq C|t-s|\)。这确保过程在每个分段内平滑变化。
  • 有限四阶矩：\(\mathbb{E}[|H_j(t,\mathcal{F}_0)|^4]^{1/4} < \infty\)。用于控制高斯逼近误差。
  • 物理相依测度几何衰减：\(\delta_4(h) = O(\chi^h)\)，\(\chi \in (0,1)\)。这是关键相依性条件，保证长程弱相依。
  • 长期方差\(\sigma^2(t)\)一致有界远离0：\(\inf_{t \in [0,1]} \sigma^2(t) > 0\)。避免退化。
  • 相比已有文献：与Dahlhaus et al. (2019) 的点态CLT相比，本文需要更强的带宽条件（\(n^{1/4} h_n / \log^2 n \to \infty\) vs. 点态只需\(n^{1/4} h_n^{1/2} / \log^2 n \to \infty\)），因为过程收敛需要更精细的逼近。与Zhou (2013) 的高斯逼近相比，本文直接使用其结论，未放宽条件。

主要结果

  • Theorem 1（分布空间FCLT）：在Assumptions 1-2下，若\(n^{1/4} h_n / \log^2 n \to \infty\)，则\(G_n \rightsquigarrow G\)在\(D'(0,1)\)中。G由\(\mathbb{E}[\langle \varphi, G \rangle] = 0\)和\(\text{Cov}(\langle \varphi, G \rangle, \langle \psi, G \rangle) = \int \sigma^2 \varphi \psi\)刻画。证明路线：高斯逼近 → 分部求和 → 方差计算 → Cramér-Wold + Mitoma定理。
  • Theorem 2（L²-指标扩展）：对任意\(\varphi_1, \ldots, \varphi_d \in L^2([0,1])\)，\((\langle \varphi_1, G_n \rangle, \ldots, \langle \varphi_d, G_n \rangle) \rightsquigarrow (W_\sigma(\varphi_1), \ldots, W_\sigma(\varphi_d))\)，其中\(W_\sigma\)是等正态高斯过程。证明通过密度逼近：用\(C_c^\infty\)函数逼近L²函数，利用L²范数控制误差。
  • Theorem 3（ℓ^\infty(\mathcal{G})弱收敛）：若\(\mathcal{G} \subset L^2([0,1])\)是全有界集，则\(H_n(f) = \langle f, G_n \rangle\)在\(\ell^\infty(\mathcal{G})\)中弱收敛到\(H = W_\sigma|_{\mathcal{G}}\)。证明：有限维收敛由Theorem 2保证；tightness通过验证渐近均匀L²-等度连续性（利用\(\mathbb{E}[\|G_n\|_{L^2}^2] \leq C_K\)和Markov不等式）得到。
  • 应用结果（Propositions 4-6）：在非参数回归模型\(X_{i,n} = \mu(i/n) + \varepsilon_{i,n}\)中，构造了检验均值恒定性的三种测试：线性趋势检验（基于投影\(\varphi_1(t)=t-1/2\)）、多项式趋势检验（Wald型）、任意变化检验（基于随机测试函数Φ）。这些检验在\(n^{1/4} h_n / \log^2 n \to \infty\)下具有渐近水平α且一致。

证明路线与技术技巧

整体路线（以Theorem 1为例）： 1. 高斯逼近：由Zhou (2013) Proposition 5，存在独立标准正态变量\(V_i\)，使得\(\max_{j \leq n} |\sum_{i=1}^j \varepsilon_{i,n} - \sum_{i=1}^j \sigma(i/n) V_i| = o_P(n^{1/4} \log^2 n)\)。 2. 分部求和：将核加权和\(\sum \varepsilon_{i,n} K_{h_n}(i/n - t)\)表示为部分和与核差分的乘积之和，从而将高斯逼近误差传递到局部化过程。得到\(\sum \varepsilon_{i,n} K_{h_n}(i/n - t) = \sum \sigma(i/n) V_i K_{h_n}(i/n - t) + o_P(n^{1/4} \log^2 n)\)。 3. 方差计算：对任意测试函数\(\varphi\)，\(\langle \varphi, G_n \rangle\)的主项是\(\frac{1}{\sqrt{n h_n}} \sum \sigma(i/n) V_i \int \varphi(t) K_{h_n}(i/n - t) dt\)，其方差为\(\frac{1}{n h_n^2} \sum \sigma^2(i/n) (\int \varphi(t) K_{h_n}(i/n - t) dt)^2\)。利用核的积分性质，\(\int \varphi(t) K_{h_n}(i/n - t) dt = h_n \varphi(i/n) + O(h_n^2)\)，代入得方差收敛到\(\int \sigma^2 \varphi^2\)。 4. Cramér-Wold + Mitoma：对任意有限个测试函数的线性组合，上述论证给出正态极限；Mitoma定理保证\(D'(0,1)\)中的tightness（因为每个线性泛函的tightness由Lévy连续性定理保证）。

关键跳跃点： - 高斯逼近误差从部分和到核加权和的传递：需要分部求和技巧，且误差项乘以\(1/\sqrt{n h_n}\)后仍为\(o_P(1)\)，这要求\(n^{1/4} h_n / \log^2 n \to \infty\)（因为原始误差为\(o_P(n^{1/4} \log^2 n)\)，除以\(\sqrt{n h_n}\)后为\(o_P(n^{-1/4} h_n^{-1/2} \log^2 n)\)，该量趋于0当且仅当\(n^{1/4} h_n^{1/2} / \log^2 n \to \infty\)。但Theorem 1(2)要求更强的\(n^{1/4} h_n / \log^2 n \to \infty\)，这是因为分部求和过程中核的差分引入了额外的\(h_n^{-1}\)因子（见公式(12)附近的推导）。 - 方差计算中积分近似：\(\int \varphi(t) K_{h_n}(i/n - t) dt = h_n \varphi(i/n) + O(h_n^2)\)，需要\(\varphi\)光滑（\(C_c^\infty\)），这解释了为何先证测试函数空间，再扩展到L²。

技术技巧点名： - 高斯逼近：Zhou (2013) 基于物理相依测度的逼近，是本文最核心的外部工具。 - 分部求和（summation-by-parts）：将核加权和转化为部分和与核差分的乘积，是连接高斯逼近与局部化过程的关键。 - Mitoma定理：将\(D'(0,1)\)中弱收敛简化为每个线性泛函的tightness，避免直接处理分布空间的紧性。 - 密度逼近（L²-稠密性）：用\(C_c^\infty\)函数逼近L²函数，通过L²范数控制误差，将Theorem 1扩展到Theorem 2。 - 渐近等度连续性：在Theorem 3中，利用\(\mathbb{E}[\|G_n\|_{L^2}^2] \leq C_K\)和Cauchy-Schwarz，证明\(H_n\)在L²-范数下渐近一致等度连续，从而得到ℓ^\infty(\mathcal{G})中的tightness。

真实例子与应用

本文包含两个真实数据例子：

  1. 每日温度数据：来自德国三个城市（亚琛、波鸿、哥廷根）的DWD气象站，10分钟间隔的日平均气温。应用：检验整个记录期和单一年份的均值是否恒定。结果：所有检验在单一年份和哥廷根全记录中p值<1%；在亚琛和波鸿全记录中，Zhou (2013) 的bootstrap检验不拒绝，而本文的线性趋势检验(7)在波鸿拒绝、在亚琛不拒绝，其他检验均拒绝。这展示了不同检验对变化敏感性的差异。

  2. EEG数据：来自“Consumer-Grade EEG and Eye-Tracking Dataset”（Afonso and Heinrichs 2025），包含116次会话、4电极、256Hz采样。预处理：计算2秒Hann窗的谱图，取对数，然后提取α频带(8-12Hz)和β频带(13-30Hz)的平均功率，得到单变量时间序列。应用：检验每个电极的α/β功率时间序列是否存在均值变化。结果：各检验检测到的变化比例在电极间相似（除TP9在β频带较低）；本文的(7)和(11)结果相近，CUSUM和(10)检测略多，Zhou (2013) bootstrap最保守。这验证了方法在神经科学中的实用性。

🔎 结论是否比证明窄

  • Theorem 1(2)的带宽条件\(n^{1/4} h_n / \log^2 n \to \infty\)比点态部分(1)的\(n^{1/4} h_n^{1/2} / \log^2 n \to \infty\)更强。作者在证明中明确指出了这一点（见第6.1节末尾：“so that the first part of the theorem follows since \(n^{-1/4} h_n^{-1/2} \log^2 n \to 0\)” vs. 第二部分需要\(n^{-1/4} h_n^{-1} \log^2 n \to 0\)）。因此，过程收敛需要更快的带宽衰减（即更大的h_n），这限制了实际应用中的带宽选择。
  • Theorem 3要求\(\mathcal{G}\)是L²的全有界子集。作者举例Hölder空间单位球，但未讨论更一般的函数类（如Sobolev球、再生核希尔伯特空间单位球）是否也满足。这留给读者判断。
  • 应用部分（Propositions 4-6）的证明在正文中仅给出概要（第6.4节），详细推导依赖附录（Lemma C.2等），但附录未包含在提供的文本中。因此，这些命题的严格性依赖于未展示的引理。

四、开放问题

  1. 带宽条件的优化：Theorem 1(2)要求\(n^{1/4} h_n / \log^2 n \to \infty\)，而点态CLT只需\(n^{1/4} h_n^{1/2} / \log^2 n \to \infty\)。能否将过程收敛的带宽条件放松到与点态一致？这需要更精细的高斯逼近误差控制或不同的证明策略。扎根于Theorem 1的证明中分部求和步骤引入的\(h_n^{-1}\)因子。

  2. 分段数未知时的推断：本文假设分段数r已知（或至少分点位置已知），但在实际中分点未知。能否将结果推广到分点未知的情形？可能需要结合变化点检测的预处理步骤。扎根于Assumption 2中PLS框架的定义依赖于分点\(t_1, \ldots, t_r\)。

  3. 长期方差估计的带宽选择：应用中使用Bücher et al. (2021) 的长期方差估计器，其带宽\(\tau_n\)和块长\(m_n\)需满足\(m_n^{1/4} = o(\sqrt{n} \tau_n)\)和\(m_n^{5/2} = o(n)\)。这些条件与主带宽\(h_n\)的条件如何协调？是否存在统一的选择准则？扎根于第4.1节中\(\hat{\sigma}^2(t)\)的定义及其一致相合性条件。

  4. 随机测试函数Φ的系数选择：Proposition 6中随机测试函数Φ的系数\(a_k\)需满足\(\sum a_k^2 < \infty\)，但具体选择（如文中\(a_k = \lfloor (k+1)/2 \rfloor\)）对检验功效的影响未理论分析。能否推导出最优系数以最大化对特定备择的检验力？扎根于第4.3节中Φ的定义和模拟设置。

  5. 与计算复杂度的连接：本文的检验统计量涉及核加权和，其计算复杂度为\(O(n/h_n)\)（若直接计算）。对于高维或长序列，能否利用张量收缩或einsum技巧加速？这直接关联研究者的U统计量计算工作。扎根于第5.1节模拟中未讨论计算成本。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论