跳转至

Adaptive LAD-Based Bootstrap Unit Root Tests Under Unconditional Heteroscedasticity

作者: Jilin Wu, Ruike Wu, Zhijie Xiao
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: Boston College(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文属于时间序列计量经济学中单位根检验的稳健推断这一子方向。其根本科学问题是:在宏观经济与金融数据普遍存在无条件异方差(unconditional heteroskedasticity)——即扰动项方差随时间系统性变化(如结构性断点、平滑漂移)——的情况下,如何对"序列是否含单位根"这一假设进行可靠的检验。传统单位根检验(如 Dickey-Fuller 类)建立在同方差或条件异方差(如 GARCH)假设之上,当无条件方差发生永久性变化时,检验的渐近分布发生扭曲,导致严重的尺寸失真(size distortion)。该方向的成熟度较高,已有大量文献(Cavaliere 2004-2009 系列、Boswijk & Zu 2018 等)处理了基于最小二乘(LS)的检验在异方差下的修正问题,但基于最小绝对偏差(LAD)的稳健检验在异方差下的行为尚未被系统研究,本文正是填补这一缺口。

发展脉络

  • 奠基工作:Dickey & Fuller (1979) 提出经典单位根检验;Phillips & Perron (1987) 建立单位根检验的泛函中心极限定理框架,允许弱依赖扰动。Knight (1989) 为 LAD 估计在非平稳过程中的渐近理论奠定基础。
  • 异方差问题的引入:Hamori & Tokihisa (1997) 发现方差水平跳跃会破坏 DF 检验;Kim et al. (2002) 证明永久方差断点导致 DF 检验严重过度拒绝;Cavaliere (2005) 系统建立了"方差调制"(variance-transformed)的渐近理论,证明异方差下单位根检验的极限分布由方差谱(variance profile)决定。
  • LS 框架下的修正:Cavaliere & Taylor (2007, 2008a, 2008b) 分别提出基于方差谱估计的模拟临界值、wild bootstrap 和非参数修正方法,使 LS 类检验在异方差下有效;Boswijk & Zu (2018) 提出自适应似然比检验,达到高斯渐近功效包络。
  • LAD/分位数框架下的发展:Herce (1996) 建立混合依赖误差下 LAD 单位根估计的渐近理论;Koenker & Xiao (2004) 提出分位数回归单位根检验;Moreno & Romo (2000) 提出 LAD 的 bootstrap 检验,但均假设同方差。Zhu & Ling (2015)、Zhu (2019) 处理了 GARCH 型条件异方差下的 LAD 推断,但未覆盖无条件异方差。
  • 本文位置:首次将 LAD 单位根检验推广到无条件异方差+弱依赖的设定,并设计自适应块 bootstrap 实现可行推断。

子线索聚类

  1. 无条件异方差下的单位根检验(LS 框架):Cavaliere (2005)、Cavaliere & Taylor (2007, 2008a, 2008b)、Boswijk & Zu (2018)。核心工具是方差谱 \(\omega(s)\) 与方差调制布朗运动 \(B_\omega(s)\)。
  2. LAD/分位数单位根检验(同方差或条件异方差):Knight (1989)、Herce (1996)、Koenker & Xiao (2004)、Moreno & Romo (2000)、Zhu & Ling (2015)、Zhu (2019)。核心工具是 Knight 恒等式与凸目标函数的局部渐近分析。
  3. 块 bootstrap 方法:Künsch (1989) 提出移动块 bootstrap;Paparoditis & Polotti (2003) 将其用于单位根检验;Shao (2010) 提出依赖 wild bootstrap。本文的自适应块 bootstrap 属于此线索,但针对 LAD 目标函数做了专门设计。

这个方向在追问的核心问题

  1. 异方差如何进入极限分布? 答案:通过方差谱 \(\omega(s)\) 的积分泛函,如 \(\int_0^1 \omega^2(s) ds\) 和 \(\int_0^1 \omega^{-2}(s) B_\omega^2(s) ds\),使分布依赖于未知的 \(\omega(\cdot)\)。
  2. 如何消除异方差的干扰? LS 框架用方差谱估计或 wild bootstrap;本文用自适应块 bootstrap 同时捕捉异方差和序列相关。
  3. LAD 相对于 LS 在重尾下的优势能否在异方差下保持? 本文通过模拟证明,在 t(3) 和双指数分布下,LAD 检验功效显著高于 LS 类检验。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有 LAD 单位根检验均假设同方差,而现实数据同时具有重尾和方差时变性;LS 类检验虽已处理异方差但对重尾敏感。因此,自然的下一步是发展同时稳健于重尾和异方差的 LAD 检验。" 作者淡化的竞争路线包括:(1) 分位数回归框架(Koenker & Xiao 2004)——作者仅将其作为基准比较,未讨论其异方差稳健性;(2) 半参数方差谱估计方法(Cavaliere & Taylor 2008b 的时间变换法),作者认为其需要选择核函数和带宽,而 bootstrap 更自动。值得研究者去查的问题:分位数回归检验在异方差下的行为是否真的比 LAD 更差?作者未提供理论比较,仅凭模拟。

张力

未见明显对立引用。但存在一个微妙差异:Cavaliere & Taylor (2008a) 的 wild bootstrap 在 LS 框架下被证明有效,而本文指出 wild bootstrap 在 LAD 框架下失效(因为 LAD 得分函数不连续),这构成方法选择上的张力——同一异方差问题在不同估计框架下需要不同的 bootstrap 方案。


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

模型(本文核心设定):

\[y_t = \gamma_0 y_{t-1} + u_t, \quad u_t = \sigma_t \varepsilon_t, \quad \sigma_t := \sigma(t/T), \quad t = 1, \ldots, T\]
  • \(y_t\):可观测的时间序列(随机变量),\(y_0 = 0\)。
  • \(\gamma_0\):自回归系数,待检验的参数。原假设 \(H_0: \gamma_0 = 1\)(单位根),备择 \(H_A: \gamma_0 < 1\)(平稳)。局部备择设定为 \(\gamma_0 = \exp(-c/T) \approx 1 - c/T\),\(c \geq 0\) 为局部备择参数。
  • \(u_t\):不可观测的扰动项(随机变量)。
  • \(\sigma(\cdot)\):确定性方差函数(非随机),定义在 \([0,1]\) 上,有界正定,至多有限个跳跃点。这是"无条件异方差"的数学刻画——方差是时间的确定性函数,而非随机过程。
  • \(\varepsilon_t\):严格平稳的零均值混合过程(随机变量),\(E(\varepsilon_t) = 0\),\(E(\text{sgn}(\varepsilon_t)) = 0\),密度函数 \(f(\cdot)\) 在 0 处连续且 \(f(0) > 0\)。\(\varepsilon_t\) 与 \(\sigma_t\) 独立。
  • \(T\):样本量(标量指标)。
  • \(\gamma\):估计目标,\(\hat{\gamma}_{LAD} = \arg\min_\gamma \sum_{t=1}^T |y_t - \gamma y_{t-1}|\)。

关键参数与估计量:

  • \(\Sigma\)(长期协方差矩阵):\(\Sigma = \Sigma_0 + \Sigma_1 + \Sigma_1'\),其中 \(\Sigma_0 = E[(\varepsilon_t, \text{sgn}(\varepsilon_t))'(\varepsilon_t, \text{sgn}(\varepsilon_t))]\),\(\Sigma_1 = \sum_{s=2}^\infty E[(\varepsilon_1, \text{sgn}(\varepsilon_1))'(\varepsilon_s, \text{sgn}(\varepsilon_s))]\)。这是 LAD 得分向量 \((\varepsilon_t, \text{sgn}(\varepsilon_t))\) 的长期方差,控制极限分布中的相关性修正。
  • \(\Gamma\):\(\Gamma = \lim_{T\to\infty} \frac{1}{T} \sum_{i=1}^T \sum_{j=i+1}^\infty E(u_i \text{sgn}(u_j))\),出现在极限分布中的额外漂移项。
  • \(f(0)\):\(\varepsilon_t\) 在 0 处的密度值,LAD 估计的渐近方差中不可避免的 nuisance 参数。
  • \(\omega(s) = \sigma(s)/\sigma_\dagger\):归一化方差函数,其中 \(\sigma_\dagger^2 = \int_0^1 \sigma^2(s) ds\)。这是异方差进入极限分布的核心通道。
  • \(B_\omega(s) = \int_0^s \omega(r) dB_1(r)\):方差调制布朗运动,其中 \(B_1\) 是标准布朗运动。这是异方差下泛函中心极限定理的极限过程。

可观测数据:研究者实际能观测到的是 \(\{y_t\}_{t=1}^T\)(序列本身)。不可观测的是:\(\{\varepsilon_t\}\)(潜在冲击)、\(\{\sigma_t\}\)(方差路径)、\(f(0)\)(密度值)。这些不可观测量通过 \(\Sigma\)、\(\Gamma\)、\(f(0)\) 进入极限分布,导致检验统计量非渐近 pivotal。

第二步:最小内核

核心数学问题:在 \(H_0: \gamma_0 = 1\) 下,LAD 估计量 \(\hat{\gamma}_{LAD}\) 的极限分布是什么?它如何依赖于 \(\sigma(\cdot)\)?

最小设定:取 \(c = 0\)(纯单位根),\(\varepsilon_t\) 为 i.i.d.,\(\sigma_t = \sigma(t/T)\) 为确定性方差函数。此时 \(u_t = \sigma_t \varepsilon_t\) 是独立但非同分布的序列。

关键推导步骤(Knight 恒等式):

  1. 目标函数重写:令 \(v = T(\gamma - \gamma_0)\),则 \(T(\hat{\gamma}_{LAD} - \gamma_0) = \arg\min_v H_T(v)\),其中

    \[H_T(v) = \sum_{t=1}^T \left( |u_t - v T^{-1} y_{t-1}| - |u_t| \right).\]

  2. Knight 恒等式:对任意 \(x, r\),有 \(|x - r| - |x| = -r \text{sgn}(x) + 2 \int_0^r [I(x \leq s) - I(x \leq 0)] ds\)。代入得

    \[H_T(v) = -v \left( T^{-1} \sum_{t=1}^T y_{t-1} \text{sgn}(u_t) \right) + 2 \sum_{t=1}^T \int_0^{v T^{-1} y_{t-1}} [I(u_t \leq s) - I(u_t \leq 0)] ds.\]

  3. 两项的极限行为:

  4. 第一项:\(T^{-1} \sum_{t=1}^T y_{t-1} \text{sgn}(u_t) \xrightarrow{d} \int_0^1 B_\omega(s) dB_2(s) + \Gamma\),其中 \(B_2\) 是与 \(B_1\) 相关的布朗运动(相关系数由 \(\Sigma\) 决定)。这里 \(\Gamma\) 来自 \(\text{sgn}(u_t)\) 与 \(u_t\) 的相关性(即使 \(\varepsilon_t\) 是 i.i.d.,\(\text{sgn}(u_t)\) 与 \(u_t\) 也相关)。
  5. 第二项:\(2 \sum_{t=1}^T \int_0^{v T^{-1} y_{t-1}} [I(u_t \leq s) - I(u_t \leq 0)] ds \xrightarrow{p} v^2 f(0) \int_0^1 \sigma^{-1}(s) B_\omega^2(s) ds\)。这里 \(f(0)\) 来自 \(I(u_t \leq s)\) 的条件期望在 \(s=0\) 处的展开,\(\sigma^{-1}(s)\) 来自 \(u_t\) 的尺度变换。

  6. 极限目标函数:\(H(v) = -v \left( \int_0^1 B_\omega(s) dB_2(s) + \Gamma \right) + v^2 f(0) \int_0^1 \sigma^{-1}(s) B_\omega^2(s) ds\)。这是关于 \(v\) 的二次函数,最小化得

    \[T(\hat{\gamma}_{LAD} - 1) \xrightarrow{d} \frac{\int_0^1 B_\omega(s) dB_2(s) + \Gamma}{2 f(0) \int_0^1 \sigma^{-1}(s) B_\omega^2(s) ds}.\]

为什么这个例子是"最小内核":它揭示了本文所有技术结果的本质——异方差通过两个渠道进入极限分布:(i) 分子中的 \(B_\omega\)(方差调制布朗运动)替代了标准布朗运动;(ii) 分母中的 \(\int_0^1 \sigma^{-1}(s) B_\omega^2(s) ds\) 替代了 \(\int_0^1 B^2(s) ds\)。当 \(\sigma(s) \equiv 1\) 时,\(B_\omega = B_1\),\(\int_0^1 \sigma^{-1}(s) B_\omega^2(s) ds = \int_0^1 B^2(s) ds\),退化为 Herce (1996) 的同方差结果。整个论文的证明工作(Lemma 1-4, Theorem 1-6)本质上就是在严格条件下验证这个"最小内核"的每一步。

三、这篇论文做了什么

三句话

  1. 研究了什么问题:在无条件异方差和弱依赖扰动下,基于 LAD 回归的单位根检验统计量 \(L_T = T(\hat{\gamma}_{LAD} - 1)\) 和 \(t_T\) 的渐近分布是什么,以及如何构造可行的检验。
  2. 核心工具/方法:推导了 LAD 估计量在异方差下的泛函中心极限定理(Lemma 1-2, Theorem 1-2),发现极限分布依赖未知的方差函数 \(\sigma(\cdot)\);提出自适应块 bootstrap(ABB)程序,通过块抽样同时捕捉异方差和序列相关,并证明其渐近有效性(Lemma 3-4, Theorem 3-4)。
  3. 主要结论:ABB 程序能产生渐近正确的临界值,在重尾分布(t(3)、双指数)下比 LS 类检验(MZ、ALR)具有显著更高的功效;实证分析发现 16 个欧盟国家中仅爱尔兰和西班牙支持购买力平价假说。

关键设定与假设

  • 模型:\(y_t = \gamma_0 y_{t-1} + u_t\),\(u_t = \sigma_t \varepsilon_t\),\(\sigma_t = \sigma(t/T)\)。
  • 假设 1(扰动项):\(\{\varepsilon_t\}\) 严格平稳混合,\(E(\varepsilon_t) = 0\),\(E(\text{sgn}(\varepsilon_t)) = 0\),密度 \(f\) 在 0 附近连续且 \(f(0) > 0\),\(E|\varepsilon_t|^p < \infty\)(\(p > 2\) 或 \(p > 4\) 视具体引理而定),混合系数满足 \(\sum_{m=1}^\infty \alpha_m^{1/\beta - 1/p} < \infty\)。统计含义:允许 \(\varepsilon_t\) 有重尾(只需 \(p > 2\) 阶矩),但要求密度在 0 处光滑——这是 LAD 估计渐近理论的标准条件。
  • 假设 2(方差函数):\(\sigma(\cdot)\) 有界正定,至多有限个跳跃点,且在连续点处有二阶连续导数。统计含义:允许方差突变(跳跃)和平滑变化,但不允许方差函数本身发散或振荡过快。
  • 假设 3(长期方差):\(\Sigma\) 正定。统计含义:\(\varepsilon_t\) 和 \(\text{sgn}(\varepsilon_t)\) 的长期相关性不能退化,保证极限分布非退化。
  • 假设 4(识别):\(E|\varepsilon_t| = 1\)。统计含义:归一化条件,用于从 \(E|u_t| = \sigma_t E|\varepsilon_t|\) 中识别 \(\sigma_t\)。
  • 假设 5-6(可行化):关于核函数 \(k(\cdot)\) 和带宽 \(h\) 的条件(\(h + 1/(Th^{9/2}) \to 0\)),以及更强的矩条件(\(p > 4\))。统计含义:保证非参数方差估计 \(\hat{\sigma}_t\) 的一致性和足够的收敛速度。

相比已有文献的放宽/强化: - 相比 Herce (1996):放宽了同方差假设,允许 \(\sigma(\cdot)\) 变化。 - 相比 Cavaliere & Taylor (2007, 2008a):放宽了高斯或有限二阶矩假设,允许重尾(只需 \(p > 2\) 或 \(p > 4\) 阶矩)。 - 相比 Moreno & Romo (2000):放宽了 i.i.d. 假设,允许弱依赖。 - 强化了 \(\varepsilon_t\) 的矩条件(\(p > 4\) 用于可行化),这是非参数方差估计的代价。

主要结果

定理 1(原假设下 LAD 估计的极限分布):

\[T(\hat{\gamma}_{LAD} - 1) \xrightarrow{d} \frac{\int_0^1 B_\omega(r) dB_2(r) + \Gamma}{2 f(0) \int_0^1 \omega^{-1}(r) B_\omega^2(r) dr}.\]
直觉:分子是"信号"(LAD 得分与滞后水平的协方差),分母是"噪声"(LAD 目标函数的曲率)。异方差通过 \(\omega(\cdot)\) 同时扭曲两者,且扭曲方式不同——分子中的 \(B_\omega\) 是方差调制布朗运动,分母中额外出现 \(\omega^{-1}(r)\) 权重。技术难点:需要证明 \(T^{-1} \sum y_{t-1} \text{sgn}(u_t)\) 的联合收敛(涉及二重随机积分),以及 \(T^{-2} \sum y_{t-1}^2\) 的加权版本收敛到 \(\int_0^1 \omega^{-1}(r) B_\omega^2(r) dr\)。

定理 2(局部备择下的极限分布):在 \(\gamma_0 = \exp(-c/T)\) 下,极限分布变为

\[\frac{\int_0^1 J_{c,\omega}(r) dB_2(r) + \Gamma - 2c f(0) \int_0^1 \omega^{-1}(r) J_{c,\omega}^2(r) dr}{2 f(0) \int_0^1 \omega^{-1}(r) J_{c,\omega}^2(r) dr},\]
其中 \(J_{c,\omega}(r) = \int_0^r e^{-c(r-s)} dB_\omega(s)\) 是异方差 Ornstein-Uhlenbeck 过程。直觉:局部备择 \(c > 0\) 在分子中引入额外的负项 \(-2c f(0) \int \omega^{-1} J^2\),使统计量向左偏移,从而产生检验功效。技术难点:需要建立 \(y_{\lfloor Tr \rfloor}/\sqrt{T} \Rightarrow J_{c,\omega}(r)\) 的弱收敛,这涉及对 \(\sigma(\cdot)\) 的积分估计。

定理 3-4(ABB 的渐近有效性):在 bootstrap 条件下,\(L_T^*\) 和 \(t_T^*\) 的条件分布收敛到与 \(L_T\) 和 \(t_T\) 相同的极限分布。证明路线: 1. 块结构保持:块抽样保留了 \(\varepsilon_t\) 的混合依赖结构,使得 bootstrap 得分过程的长期方差收敛到 \(\Sigma\)。 2. 方差自适应:通过 \(\hat{\sigma}_t\) 的缩放,bootstrap 扰动 \(\hat{\sigma}_t \varepsilon_t^*\) 的方差结构收敛到 \(\sigma_t^2\)。 3. 关键引理(Lemma 3-4):证明 bootstrap 版本的泛函中心极限定理,即 \(T^{-1/2} \sum_{t=1}^{\lfloor Tr \rfloor} (\hat{\sigma}_t \varepsilon_t^*, \text{sgn}(\varepsilon_t^*))' \xrightarrow{d^*} (B_\omega(r), B_2(r))'\)。技术难点:需要处理 \(\hat{\sigma}_t\) 的估计误差,证明其不影响极限分布(即"估计方差对 bootstrap 的扰动是一阶可忽略的")。这需要 Lemma E.1-E.3 中的精细估计:\(\max_t |\hat{\sigma}_t - \sigma_t| = O_p((Th)^{-1/2})\),以及 \(\sum_t (\hat{\sigma}_t - \sigma_t)^2 = O_p(T^{-1}h^{-2})\) 等。

定理 5-6(含确定性成分的扩展):将 ABB 扩展到含常数项(\(d_t = 1\))和线性趋势(\(d_t = (1, t)'\))的情形。技术难点:去均值/去趋势后的 LAD 估计量需要处理"局部备择下的趋势项"与"异方差"的交互作用,证明中需要更精细的渐近展开。

真实例子与应用

数据:16 个欧盟国家 2000 年 1 月至 2019 年 12 月的月度实际有效汇率(REER),共 240 个观测,来源为国际清算银行(BIS)。

方法应用: 1. 先用非参数方法估计各国 REER 的波动率路径 \(\hat{\sigma}_t\)(图 4),发现大多数国家呈现"倒 N 型"波动模式,两个高波动期分别对应 2000 年前后的互联网泡沫和 2008 年金融危机。 2. 对每个国家分别进行 LAD 单位根检验,使用 ABB 计算 p 值。 3. 与 LS 类检验(\(MZ_T\)、\(MZ_B\)、\(MZ_S\)、\(MZ_M\)、\(ALR\))对比。

结果: - 表 4 显示,对于大多数国家,所有检验均无法拒绝单位根原假设。 - 关键发现:爱尔兰和西班牙,本文提出的 \(t_T^B\) 和 \(L_T^B\) 检验在 5% 显著性水平下拒绝单位根,支持 PPP 假说;而 LS 类检验中,仅 \(ALR\) 对爱尔兰拒绝,\(MZ\) 类检验全部无法拒绝。 - 说明的问题:在重尾+异方差数据下,LS 类检验功效不足,LAD 检验能发现 LS 检验遗漏的均值回复证据。

这个例子想说明什么:验证新检验在实际数据中的可用性,特别是展示在 LS 检验失效的场景下(重尾+异方差),LAD 检验能提供额外的统计证据。但注意,该实证分析仅作为方法演示,并非对 PPP 假说的决定性检验。

🔎 结论是否比证明窄

  • 明确证明:定理 1-6 在假设 1-6 下严格成立,覆盖了原假设、局部备择、确定性成分三种情形。
  • 泛化声明:作者在结论部分声称"ABB 程序可以很容易地扩展到其他 LAD 型统计量",但未给出具体证明。这是一个 conjecture,而非 theorem。
  • 模拟范围:模拟仅覆盖了 \(T = 100, 250\) 和特定的 \(\sigma(\cdot)\) 形式(单断点、双断点、平滑变化),未覆盖 \(T\) 更小(如 \(T = 50\))或 \(\sigma(\cdot)\) 更复杂(如高频波动)的情形。作者在结论中承认"有限样本性能在更小样本下可能恶化"。
  • 实证结论:作者声称"PPP 在爱尔兰和西班牙成立",但未进行多重检验校正(16 个国家同时检验),且未考虑其他可能的检验方法(如面板单位根检验)。这一结论应视为探索性发现。

四、开放问题

  1. 更一般的方差函数:本文假设 \(\sigma(\cdot)\) 是确定性函数且至多有限个跳跃点。若 \(\sigma_t\) 是随机过程(如随机波动率模型),极限分布会如何变化?ABB 是否仍然有效?——扎根于假设 3 和 Lemma E.1 中对 \(\sigma(\cdot)\) 的确定性假设。

  2. 最优块长选择:本文的 ABB 程序需要选择块长 \(b_T\),但未提供数据驱动的选择准则。作者仅引用 Hall et al. (1995) 的方法,但该方法是为平稳 bootstrap 设计的,在单位根+异方差下是否最优未知。——扎根于第 3.3 节对 \(b_T\) 的讨论。

  3. 高维/面板扩展:本文仅考虑单序列检验。在面板数据(多个国家/公司)中,如何利用横截面信息提高检验功效?ABB 如何扩展到面板设定?——扎根于结论部分"扩展到面板数据是未来研究方向"。

  4. LAD 与分位数回归的统一:本文仅考虑中位数(LAD)。能否将 ABB 扩展到其他分位数水平(如 0.25、0.75),从而检验"分位数单位根"?不同分位数下的异方差影响是否不同?——扎根于引言中对 Koenker & Xiao (2004) 的讨论。

  5. 检验功效的理论分析:本文仅证明了 ABB 在原假设下的渐近有效性(尺寸控制),但未分析局部备择下的功效函数。在 \(c = c_T \to 0\) 的局部备择下,LAD 检验的功效是否达到最优?——扎根于定理 2 的陈述,作者仅给出极限分布但未讨论功效性质。


给研究者的提醒:若要确认上述某条是否为真 gap,建议去读近 5 年 Journal of Econometrics、Econometric Theory、Journal of Business & Economic Statistics 上关于单位根检验 + 异方差 + bootstrap 的论文引言。若多篇都指向同一缺口,则为共识性 gap;若各篇说法不一,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论