跳转至

Generalized Spectral Testing with Sample Splitting

讲者: Yuxin Tao (Southern University of Science and Technology)
会场: Advances in Time Series and Causal Machine Learning
报告题目: Generalized Spectral Testing with Sample Splitting
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

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拟合优度检验，具体而言是检验一个参数化条件均值模型是否被正确设定。根本的统计问题是：给定一个拟合好的参数模型（如 ARMA、GARCH、TAR），其残差是否还含有任何可被过去信息预测的系统性成分？等价地，检验残差是否满足鞅差序列（MDS）性质——即 E[ε_t | I_{t-1}] = 0 a.s.。这是时间序列诊断检查的核心问题，因为条件均值设定错误会导致后续推断、预测和结构解释的误导。当前该方向的成熟度较高，已有大量经典和现代方法，但参数估计效应（estimation effect）导致的非标准渐近分布和计算负担仍是未完全解决的瓶颈。

发展脉络（history）

  1. 奠基工作：经典自相关检验

  2. Box and Pierce (1970) 和 Hosking (1980) 提出了基于残差自相关的 portmanteau 统计量（如 Ljung-Box 检验）。这些方法简单易用，但局限在于：它们主要检测线性序列相关，且标准参考分布通常需要比 MDS 更强的创新假设（如 i.i.d.）。Romano and Thombs (1996) 指出，在条件异方差下，残差可能不相关但仍存在依赖性，此时卡方校准会失效。

  3. 主要进展：广义谱方法与 omnibus 检验

  4. Hong (1999) 引入基于经验特征函数的广义谱密度方法，用于检测序列相关。Hong and Lee (2005) 将其扩展到条件均值模型，允许未知形式的条件异方差。
  5. Escanciano (2006) 提出了无带宽的广义谱 Cramér-von Mises 检验，通过积分一族成对条件矩约束（E[e_t(θ₀) w(Z_{t-j}, x)] = 0）来聚合所有滞后信息，避免了截断滞后选择。这是本文最直接的前身。
  6. Escanciano (2008) 进一步扩展到条件均值和条件方差的联合与边际检验。Chen and Hong (2014) 将类似思路用于条件分布模型的设定检验。

  7. Wang et al. (2022) 基于鞅差散度矩阵（MDDM）提出了多元时间序列的 MDS 检验，并讨论了与 Escanciano (2006) 的异同。

  8. 当前 frontier：处理参数估计效应的新策略

  9. 经典方法中，参数估计效应会导致残差过程的一阶渐近不可忽略，使得零分布非枢轴。已有两种主要补救策略：
    (a) bootstrap 重抽样：如 Escanciano (2006) 的固定设计 wild bootstrap，需要生成伪数据并重新估计模型，计算成本高。
    (b) 鞅变换：如 Khmaladze and Koul (2004) 和 Bai (2003)，通过变换消除 nuisance 参数效应，但理论复杂。

  10. Davis and Fernandes (2025) 提出了一个关键突破：将样本分割（sample splitting）从独立数据推广到时间序列设定。他们用前半样本估计参数，后半样本计算残差，并证明在分割比例为 1/2 时，残差自相关和自距离相关统计量与不可实现的 oracle 情形（已知真实误差）具有相同的渐近行为。但他们的框架针对的是残差序列独立性检验，且需要 i.i.d. 创新假设，比 MDS 假设更强。

  11. 本文的位置

  12. 本文直接回答了一个自然的问题：能否将样本分割思想与直接针对 MDS 性质的广义谱检验结合？
  13. 具体而言，本文将 Escanciano (2006) 的无带宽广义谱框架与 Davis and Fernandes (2025) 的样本分割策略结合，开发了一个新的检验程序。核心贡献是：在得分对齐条件（score-alignment condition）和分割比例条件下，证明了残差过程与 oracle 过程具有相同的渐近零分布，从而消除了参数估计效应，并允许使用一个无需重新估计模型的简单乘子 bootstrap。

子线索聚类

  1. 经典 portmanteau 与自相关检验：Box and Pierce (1970), Hosking (1980), Li and McLeod (1981), Romano and Thombs (1996)。主要检测线性序列相关，假设较强。

  2. 广义谱 / 特征函数方法：Hong (1999), Hong and Lee (2005), Escanciano (2006, 2008), Chen and Hong (2014), Wang et al. (2022)。通过积分无穷多个条件矩约束实现 omnibus 检验，无带宽选择问题，但参数估计效应导致非标准分布和计算负担。

  3. 处理估计效应的策略：

  4. bootstrap 重抽样：Escanciano (2006) 的固定设计 wild bootstrap。
  5. 鞅变换：Koul and Stute (1999), Khmaladze and Koul (2004), Bai (2003)。
  6. 样本分割：Davis and Fernandes (2025) 用于序列独立性检验；本文将其扩展到 MDS 检验。

这个方向在追问的核心问题

  1. 如何构造一个对广泛替代假设有功效的 omnibus 检验？ 当前主流方法（广义谱）通过积分无穷多个成对条件矩约束来实现，但无法检测仅存在于高阶或联合依赖中的替代假设。
  2. 如何处理参数估计效应？ 这是所有残差检验的核心困难。bootstrap 方法计算成本高，鞅变换理论复杂，样本分割是一个有前景的新方向。
  3. 如何使检验的临界值计算在计算上可行？ 对于非线性模型（如 GARCH、TAR），每次 bootstrap 重估计的成本极高。
  4. 检验的局部功效如何？ 样本分割会损失部分样本信息，可能影响功效。本文的 Theorem 3.3 给出了局部功效的精确分解，显示没有统一的功效优势。

⚠️ 作者的 framing

作者将缺口 frame 成：“能否将样本分割与直接针对 MDS 的广义谱检验结合，从而在保持 omnibus 性质的同时，消除参数估计效应并大幅简化 bootstrap 计算？” 这是一个清晰的“显然的下一步”叙事：Davis and Fernandes (2025) 做了样本分割但针对的是更强的 i.i.d. 创新假设；Escanciano (2006) 做了广义谱 MDS 检验但受困于估计效应和计算成本。本文声称填补了这两者之间的空白。

被淡化或回避的竞争路线： - 鞅变换方法（Khmaladze and Koul 2004, Bai 2003）在 intro 中仅被提及为“理论上强大但计算上可能昂贵”，没有深入比较其与样本分割在理论性质（如局部功效、对模型假设的敏感性）上的差异。 - 作者没有讨论样本分割的信息损失：只用一半样本估计参数，另一半检验，这可能导致参数估计效率降低，进而影响检验功效。虽然模拟显示功效“comparable”，但缺乏理论上的效率比较。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 没有引用关于样本分割在假设检验中一般性理论的文献（如 Durbin 1976 的原始想法在独立数据下的发展，以及后续关于最优分割比例的工作）。作者只引了 Davis and Fernandes (2025) 作为时间序列样本分割的直接前身。 - 没有引用关于条件矩检验的 minimax 最优性或自适应检验的文献。这可能是因为本文是纯方法性工作，不追求最优性理论。

张力

未见明显对立引用。被引工作之间在技术路线上是互补而非矛盾的：经典方法、广义谱方法、bootstrap 方法、鞅变换方法、样本分割方法各自处理了问题的不同侧面。唯一的潜在张力是：样本分割是否真的比 bootstrap 或鞅变换更好？ 作者通过模拟展示了计算优势，但没有给出理论上的比较（如局部功效的 minimax 下界）。

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 ∈ ℝ：响应变量（可观测）。 - Z_{t-1} = (Y_{t-1}, X'_{t-1})' ∈ ℝ^m：滞后响应和预定解释变量（可观测）。 - I_{t-1} = (Z'_{t-1}, Z'_{t-2}, ...)'：t-1 时刻的全部历史信息（潜在不可完全观测）。 - F_{t-1} = σ(I_{t-1})：由 I_{t-1} 生成的 σ-域。 - ε_t = Y_t - E[Y_t | I_{t-1}]：真实误差，是鞅差序列（MDS）（不可观测）。 - θ ∈ Θ ⊂ ℝ^p：参数向量（待估）。 - f(I_{t-1}, θ)：参数化条件均值模型（已知函数形式）。 - e_t(θ) = Y_t - f(I_{t-1}, θ)：参数诱导的模型误差（可基于估计计算）。 - θ₀：真实参数值（未知）。 - g_t(θ) = ∂f(I_{t-1}, θ)/∂θ：得分函数（模型梯度）。 - w(Z_{t-j}, x)：权重函数，索引于滞后变量和连续参数 x ∈ Υ ⊂ ℝ^s。 - γ_{j,w}(x, θ) = E[e_t(θ) w(Z_{t-j}, x)]：滞后 j 的加权矩（总体量）。 - S_{n,w}(λ, x, \hat{θ}_{f_n})：样本分割广义谱过程（检验统计量的基础）。 - D^2_{n,w}(\hat{θ}_{f_n})：Cramér-von Mises 型检验统计量。 - f_n：拟合样本大小；l_n：检验样本大小；n = f_n + l_n（允许重叠）。 - κ_f = lim f_n/n，κ_l = lim l_n/n，κ_{ra} = lim l_n/f_n，κ_{ov} = lim max(0, (f_n + l_n - n)/f_n)。

模型： - 数据生成过程：Y_t = m(I_{t-1}) + ε_t，其中 m(I_{t-1}) = E[Y_t | I_{t-1}] 是未知的真实条件均值，ε_t 是 MDS。 - 零假设 H₀：存在 θ₀ ∈ Θ 使得 m(I_{t-1}) = f(I_{t-1}, θ₀) a.s.，即模型被正确设定。 - 等价地，H₀: E[e_t(θ₀) | I_{t-1}] = 0 a.s.。

可观测数据： - 研究者观测到 {Y_t, \hat{I}_{t-1}}_{t=1}^n，其中 \hat{I}_{t-1} = (Z'_{t-1}, ..., Z'_0)' 是观测到的信息集，可能包含初始值，是对真实无限历史 I_{t-1} 的近似。 - 不可观测的是：真实条件均值 m(I_{t-1})、真实误差 ε_t、真实参数 θ₀。 - 研究者只能基于 \hat{θ}_{f_n}（从拟合样本估计）计算残差 \hat{e}_t = Y_t - f(\hat{I}_{t-1}, \hat{θ}_{f_n})。

第二步：讲最小内核

最简特例：AR(1) 模型

考虑最简单的线性 AR(1) 模型： 

Y_t = θ Y_{t-1} + ε_t,   ε_t ~ i.i.d. N(0,1)
其中 θ ∈ ℝ 是标量参数。此时 Z_{t-1} = Y_{t-1}，I_{t-1} = (Y_{t-1}, Y_{t-2}, ...)，f(I_{t-1}, θ) = θ Y_{t-1}，g_t(θ) = Y_{t-1}。

样本分割方案： - 用前 f_n 个观测 {Y_t}_{t=1}^{f_n} 通过最小二乘法估计 θ，得到 \hat{θ}_{f_n}。 - 用后 l_n 个观测 {Y_t}_{t=n-l_n+1}^{n} 计算残差 \hat{e}_t = Y_t - \hat{θ}_{f_n} Y_{t-1}。 - 取最简单的分割：f_n = n/2，l_n = n（即检验样本包含全部数据，但拟合样本只占一半；此时 κ_{ra} = 2，κ_{ov} = 1/2，满足 κ_{ra} = 2κ_{ov}）。

检验统计量： - 选择权重函数 w(Y_{t-j}, x) = 1(Y_{t-j} ≤ x)（指示函数），x ∈ ℝ。 - 经验加权矩：\hat{γ}_{j,w}(x, \hat{θ}_{f_n}) = (1/n_j) Σ_{t=n-l_n+j}^{n} \hat{e}_t 1(Y_{t-j} ≤ x)。 - 广义谱过程：S_{n,w}(λ, x, \hat{θ}_{f_n}) = Σ_{j=1}^{l_n} n_j^{1/2} \hat{γ}_{j,w}(x, \hat{θ}_{f_n}) (√2 sin(jπλ))/(jπ)。 - Cramér-von Mises 统计量：D^2_{n,w} = Σ_{j=1}^{l_n} (n_j/(jπ)^2) ∫ |\hat{γ}_{j,w}(x, \hat{θ}_{f_n})|^2 dW(x)，其中 W 是 Y_{t-1} 的经验分布。

核心思路： 在 H₀ 下，真实误差 ε_t 是 MDS，因此 E[ε_t 1(Y_{t-j} ≤ x)] = 0 对所有 j ≥ 1 成立。如果使用真实误差构造 oracle 过程 S^0_{n,w}，其渐近分布是已知的（高斯过程）。问题是：用估计残差 \hat{e}_t 构造的 S_{n,w} 是否与 S^0_{n,w} 有相同的渐近分布？

关键洞察： 在 AR(1) 中，\hat{θ}_{f_n} - θ₀ ≈ (1/f_n) Σ_{s=1}^{f_n} Y_{s-1} ε_s（最小二乘影响函数）。残差 \hat{e}_t = ε_t - (\hat{θ}_{f_n} - θ₀) Y_{t-1}。代入 S_{n,w} 并展开，得到： 

S_{n,w} ≈ S^0_{n,w} - (√(l_n/f_n)) G_w(·) (1/√f_n) Σ_{s=1}^{f_n} Y_{s-1} ε_s
其中 G_w(λ, x) = Σ_{j=1}^∞ E[Y_{t-1} 1(Y_{t-j} ≤ x)] (√2 sin(jπλ))/(jπ) 是得分载荷函数。

现在，S^0_{n,w} 和 (1/√f_n) Σ_{s=1}^{f_n} Y_{s-1} ε_s 是联合渐近正态的，协方差为 Cov(S^0_{n,w}, V) = κ_{ov}/√κ_{ra} G_w(·) Var(V)。当 κ_{ra} = 2κ_{ov} 时，Var(S^0_{n,w} - √κ_{ra} G_w V) = Var(S^0_{n,w})，即两个高斯过程具有相同的协方差结构。因此，S_{n,w} 与 S^0_{n,w} 同分布。

这个特例揭示了论文的核心数学命题：在得分对齐条件（E[ε_t w(Z_{t-j}) g_t(θ₀)'] = E[w(Z_{t-j}) g_t(θ₀)'] L(θ₀)）和分割比例条件（κ_{ra} = 2κ_{ov}）下，样本分割使得残差过程的渐近零分布与 oracle 过程相同。在 AR(1) 中，得分对齐条件自动满足，因为 g_t(θ₀) = Y_{t-1} 且 h(Y_t, I_{t-1}, θ₀) = (1/σ²) L(θ₀) Y_{t-1} ε_t。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在参数化时间序列条件均值模型的拟合优度检验中，如何通过样本分割消除参数估计效应，使得残差广义谱过程与不可实现的 oracle 过程具有相同的渐近零分布，并允许使用一个计算上更简单的乘子 bootstrap。
  2. 核心工具 / 方法：将 Escanciano (2006) 的无带宽广义谱 Cramér-von Mises 框架与 Davis and Fernandes (2025) 的样本分割策略结合，在得分对齐条件和分割比例条件下建立 oracle 等价性。
  3. 主要结论：在 κ_{ra} = 2κ_{ov} 和得分对齐条件 (8) 下，样本分割残差过程弱收敛到与 oracle 过程相同的高斯过程；检验对固定替代假设一致，对局部替代假设有非平凡功效；乘子 bootstrap 可以一致地近似零分布，且无需重新估计模型。

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：

  • 数据生成：{Y_t, Z_{t-1}} 严格平稳遍历（Assumption 3.1a），E[ε_t²] < ∞（Assumption 3.1b）。
  • 模型：f(I_{t-1}, ·) 二次连续可微（Assumption 3.2）；得分 g_t(θ) 平稳、遍历、F_{t-1}-可测，且被一个 F_{t-1}-可测的平方可积函数控制。
  • 估计量：存在伪真值 θ*（在 H₀ 下 θ* = θ₀）；估计量 \hat{θ}_{f_n} 具有 Bahadur 表示：√f_n (\hat{θ}_{f_n} - θ₀) = (1/√f_n) Σ_{t=1}^{f_n} h(Y_t, I_{t-1}, θ₀) + o_p(1)，其中 h 是鞅差序列，L(θ₀) = E[h h'] 正定（Assumption 3.3）。
  • 权重函数：w(·) 有界，且满足“生成全面揭示”（generically comprehensively revealing）性质，使得 (2) 与 (3) 等价；满足一致大数定律（Assumption 3.4）。
  • 信息集近似：观测信息集 \hat{I}_{t-1} 以 L² 意义近似无限历史 I_{t-1}（Assumption 3.5）。
  • 分割比例：f_n/n → κ_f，l_n/n → κ_l，κ_{ra} = lim l_n/f_n，κ_{ov} = lim max(0, (f_n + l_n - n)/f_n)。核心条件：κ_{ra} = 2κ_{ov}（Theorem 3.1）。
  • 得分对齐条件（关键！）：E[ε_t w(Z_{t-j}) h(Y_t, I_{t-1}, θ₀)'] = E[w(Z_{t-j}) g_t(θ₀)'] L(θ₀) 对所有 j ≥ 1 成立（条件 (8)）。这个条件将残差矩过程与估计量影响函数之间的协方差匹配到模型得分的协方差。

相比已有文献的放宽或强化： - 相比 Escanciano (2006)：本文的零分布不含参数估计效应（oracle 等价），但需要额外的得分对齐条件和分割比例条件。 - 相比 Davis and Fernandes (2025)：本文的零假设是 MDS（更弱），但需要得分对齐条件（在 ARMA 和 GARCH 中验证成立）。

主要结果

Theorem 3.1（渐近零分布）： - 在 Assumptions 3.1-3.5、H₀、κ_{ra} = 2κ_{ov} 和条件 (8) 下，S_{n,w} ⇒ S^0_w 在 L²(Π, ν) 中，其中 S^0_w 是基于真实误差的 oracle 高斯过程。 - 因此，D^2_{n,w} \xrightarrow{d} ∫|S^0_w|² dν。 - 直觉：样本分割将估计效应从随机部分中移除，而得分对齐条件确保确定性漂移项也被抵消。 - 必要条件：分割比例必须满足 κ_{ra} = 2κ_{ov}（一个简单选择是 f_n = n/2, l_n = n）；得分对齐条件 (8) 必须成立。 - 解决的技术难点：证明残差过程与 oracle 过程具有相同的协方差算子，关键在于联合弱收敛中协方差项在条件 (8) 下被消除。

Theorem 3.2 与 Corollary 3.1（固定替代假设一致性）： - 在固定替代假设 H_a: Y_t = f(I_{t-1}, θ*) + a_t + ε_t（a_t 是 F_{t-1}-可测的非零平稳过程）下，l_n^{-1/2} S_{n,w} \xrightarrow{p} L_w，其中 L_w(η) = Σ_{j=1}^∞ E[a_t w(Z_{t-j})] Ψ_j(λ)。 - 因此，D^2_{n,w} \xrightarrow{p} ∞，检验一致。 - 注意：一致性仅针对成对条件矩替代假设（即存在 j 使得 E[a_t | Z_{t-j}] ≠ 0 a.s.）。无法检测仅存在于高阶或联合依赖中的替代假设。

Theorem 3.3（局部替代假设功效）： - 在局部替代假设 H_{a,n}: Y_t = f(I_{t-1}, θ₀) + a_t/√l_n + ε_t 下，S_{n,w} ⇒ S^0_w + L_w - √κ_{ra} G'_w ξ_a，其中 ξ_a 是估计量在局部替代下的漂移。 - 与 Escanciano (2006) 的局部极限 S_w + L_w - G'_w ξ_a 相比，样本分割将估计效应从随机部分 S_w 中移除，但改变了确定性漂移的系数（从 G'_w ξ_a 变为 √κ_{ra} G'_w ξ_a）。 - 无统一的局部功效优势：当替代假设与得分方向正交（G'_w ξ_a 小）时，样本分割可能因随机部分更小而有更高功效；否则功效可能降低。

Theorem 4.1（bootstrap 有效性）： - 乘子 bootstrap 过程 S^*_{n,w} 条件弱收敛到与 S^0_w 相同的高斯过程（以 θ* 代替 θ₀），在 H₀、固定替代和局部替代下均成立。 - 关键优势：bootstrap 中 \hat{θ}_{f_n} 固定，无需生成伪时间序列或重新估计模型。

证明路线与技术技巧

整体路线（以 Theorem 3.1 为例）：

  1. 步骤 1：信息集近似（Lemma A.1 of Escanciano 2006）：用 I_{t-1} 替换 \hat{I}_{t-1} 的误差可忽略。
  2. 步骤 2：均值展开：S_{n,w}(\hat{θ}_{f_n}) = S_{n,w}(θ₀) + (∂S_{n,w}/\partialθ)(\tilde{θ}_{f_n}) (\hat{θ}_{f_n} - θ₀)。
  3. 步骤 3：导数项收敛：证明 (1/√l_n) ∂S_{n,w}/\partialθ \xrightarrow{p} -G_w(·, θ₀)，其中 G_w 是得分载荷函数。这需要处理无穷和截断、一致大数定律和紧致性论证。
  4. 步骤 4：代入 Bahadur 表示：得到 S_{n,w}(\hat{θ}_{f_n}) = S_{n,w}(θ₀) - G'_w √κ_{ra} (1/√f_n) Σ h_t + o_p(1)。
  5. 步骤 5：联合弱收敛：证明 (S_{n,w}(θ₀), (1/√f_n) Σ h_t) 在 L² × ℝ^p 中联合弱收敛到 (S^0_w, V)，其中 Cov(S^0_w, V) = (κ_{ov}/√κ_{ra}) G'_w L(θ₀)。这需要构造鞅差阵列并验证 CLT 条件。
  6. 步骤 6：协方差抵消：在条件 (8) 和 κ_{ra} = 2κ_{ov} 下，Var(S^0_w - √κ_{ra} G'_w V) = Var(S^0_w)，因此 S^0_w - √κ_{ra} G'_w V \xrightarrow{d} S^0_w。由 Slutsky 定理得证。

关键跳跃点： - 步骤 3 中导数项的收敛：需要处理 (1/l_n) Σ_{t} g_t(\tilde{θ}) Σ_{j} w_{t-j} Ψ_j 到 Σ_j E[g_t w_{t-j}] Ψ_j 的收敛。难点在于双重和（滞后和样本）以及 \tilde{θ} 的随机性。作者通过截断（固定 K 和让 K → ∞）、一致大数定律和紧致性论证解决。 - 步骤 5 中联合弱收敛的协方差计算：需要计算 Cov(S_{n,w}(θ₀), (1/√f_n) Σ h_t)。关键在于识别出只有 t = k 的项贡献非零（因为 ε_t 和 h_t 都是鞅差），且重叠样本的贡献由 κ_{ov} 控制。 - 步骤 6 中协方差抵消的代数：条件 (8) 确保 Cov(S^0_w, V) = (κ_{ov}/√κ_{ra}) G'_w L(θ₀)，而 Var(√κ_{ra} G'_w V) = κ_{ra} G'_w L(θ₀) G_w。当 κ_{ra} = 2κ_{ov} 时，交叉项 -2 √κ_{ra} Cov(S^0_w, G'_w V) = -2κ_{ov} G'_w L(θ₀) G_w 恰好抵消 Var(√κ_{ra} G'_w V) 的一半，使得总方差等于 Var(S^0_w)。

技术技巧点名： - 鞅差阵列中心极限定理：用于步骤 5 中联合弱收敛的有限维分布收敛。 - L² 空间弱收敛理论（Van Der Vaart and Wellner 1996）：用于证明过程弱收敛，需要验证有限维分布收敛和 tightness。 - 一致大数定律（Ling and McAleer 2003）：用于步骤 3 中导数项的一致收敛。 - 截断与紧致性论证：处理无穷和 Σ_{j=1}^∞ 时，先固定 K 处理前 K 项，再控制尾部。 - 乘子 bootstrap（Mammen 1993, Stute et al. 1998）：用于 Theorem 4.1，利用 V_t 的独立性和矩条件，条件 CLT 给出 bootstrap 有效性。

真实例子与应用

S&P 500 数据（Section 6.1）： - 数据：1988年1月1日至1993年5月28日 S&P 500 日度对数收益率，删除最后10%后剩1138个观测。 - 方法应用：检验三个模型：(1) AR(1) 同方差；(2) GARCH(1,1) 无非条件均值 AR 成分；(3) AR(1)-GARCH(1,1)。对每个模型，分别检验条件均值和条件方差设定。 - 结果：样本分割检验与全样本检验结论一致——AR(1) 同方差模型未被拒绝；GARCH(1,1) 模型的条件均值被强烈拒绝；AR(1)-GARCH(1,1) 的条件均值未被拒绝但条件方差被拒绝。 - 说明的问题：样本分割检验在实际数据中能复现全样本检验的结论，尽管只用了部分样本估计参数。

太阳黑子数据（Section 6.2）： - 数据：1700-1979年 Wolf 年太阳黑子数，280个观测。 - 方法应用：检验 Tsay (1989) 提出的三区制 TAR(11,10,10) 模型，以及常数模型、AR(5)、AR(10)、AR(11) 作为对比。 - 结果：TAR 模型未被拒绝（p 值 0.706-0.838），常数和 AR(5) 被强烈拒绝，AR(10) 和 AR(11) 的 p 值较小。样本分割检验的计算时间（约11秒）远小于全样本检验（约265秒），快约24倍。 - 说明的问题：样本分割检验在 TAR 这类计算密集型模型中的巨大计算优势，同时保持与全样本检验一致的结论。

🔎 结论是否比证明窄

  • 得分对齐条件 (8) 的验证：论文在 Appendix A.1 和 A.2 中验证了 ARMA（高斯 MLE）和 GARCH（拟 MLE）满足条件 (8)。但一般模型是否满足该条件？ 作者没有给出充分条件或一般性验证方法。这意味着对于任意给定的模型，用户需要自行验证 (8)，这可能不平凡。
  • “oracle-equivalence”的声称：Theorem 3.1 证明的是在 κ_{ra} = 2κ_{ov} 和条件 (8) 下，S_{n,w} 与 S^0_w 具有相同的渐近分布。但论文在 intro 和结论中多次使用“oracle-equivalence”这一更强表述。严格来说，这是分布等价而非过程等价——S_{n,w} 和 S^0_w 是不同概率空间上的随机元素，只是极限分布相同。
  • “bandwidth-free”的声称：确实不需要选择截断滞后，因为所有滞后都被包含。但权重函数 w(·) 和积分测度 W(·) 的选择仍然需要用户指定，这本质上也是一种调参。模拟中使用了指示函数和特征函数两种选择，但没有给出选择指南。
  • 局部功效的讨论：Theorem 3.3 给出了局部极限，但作者没有给出任何关于最优分割比例或功效比较的定量结论。Remark 3.2 仅给出了定性讨论。

四、开放问题

  1. 得分对齐条件 (8) 的一般性验证：对于非线性模型（如 TAR、神经网络、状态空间模型），条件 (8) 是否自动成立？如果不成立，是否存在可验证的充分条件？这扎根于 Theorem 3.1 的条件 (8) 和 Appendix A 中仅对 ARMA/GARCH 的验证。

  2. 最优分割比例：Theorem 3.1 要求 κ_{ra} = 2κ_{ov}，但这是否是最优选择？是否存在一个分割比例能最大化局部功效或最小化有限样本 size 扭曲？这扎根于 Remark 3.2 中关于局部功效的定性讨论，以及 Section 7 中“several extensions are worth pursuing”的开放声明。

  3. 扩展到更高阶或联合条件矩检验：本文的检验仅针对成对条件矩（E[ε_t | Z_{t-j}]），无法检测仅存在于高阶或联合依赖中的替代假设。如何将样本分割思想扩展到检验 E[ε_t | I_{t-1}] = 0 的完全版本？这扎根于 Corollary 3.1 后关于“higher-order or genuinely joint dependence”的讨论，以及 Section 7 中“higher-order or joint conditional mean and variance dependence”的开放方向。

  4. 权重函数与积分测度的自适应选择：模拟中使用了指示函数和特征函数两种权重，但哪种在何种场景下更优？是否存在数据自适应选择权重函数的方法？这扎根于 Section 7 中“systematic comparison of indicator, characteristic-function, and data-adaptive weights”的开放声明。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论