高维面板数据均值变点的在线序贯监测：自标准化聚合CUSUM与共同因子结构下的渐近推断

《Journal of Multivariate Analysis》：Change-point detection procedures for sequentially observed panel data

　　

现有面板数据结构突变（structural breaks）检测方法主要是回顾性（离线）程序（retrospective/offline procedures），即在进行任何检验之前需要先获得整个样本。与之不同，该论文开发在线监测程序（online monitoring procedures），旨在识别序贯观测面板数据（panel data observed sequentially）中均值的变化。所提统计量通过结合回顾性检验中使用的思想（例如，Horváth和Hu?ková，2012；Hu?ková和Pretorius，2024）与序贯程序中使用的思想（例如，Horváth和Rice，2024，第6章）构造。论文给出所提程序的若干渐近性质（asymptotic properties）及其证明。数值研究考察其有限样本行为（finite-sample behavior）。该框架面向高维面板模型（high-dimensional panel models），将其视为具有计量经济与金融应用中常见特定相依结构（dependence structures）的高维时间序列（high-dimensional time series）。论文最后给出一个真实数据的示例应用。

研究背景与问题：高维面板数据（panel data）在计量经济与金融中常见，均值结构突变（structural breaks）检测多采用回顾性（离线）程序（retrospective/offline procedures），要求全样本先可得；序贯观测下的在线监测程序（online monitoring procedures）相对稀缺。现有多变量序贯监测多假定固定维数N，不适合高维面板；直接估计高维长期协方差矩阵在N相对m较大时易病态或奇异。论文因此研究稳定训练期后序贯监测面板均值变化，允许面板内时间弱相依，并通过共同因子模型（common factor model）刻画截面相依，目标是在N与m同时增大时建立可行检验。研究人员提出在线监测程序，将回顾性检验中的聚合累积和（CUSUM, cumulative sum）思想与序贯程序结合，构造监测统计量；建立零假设下渐近分布和备择下一致性；提出无需估计各面板长期方差（long-run variance）的自标准化（self-normalizing）版本；用bootstrap（自助法）获得临界值；框架面向高维面板和高维时间序列，适用于计量与金融大面板，并给出真实数据应用。

关键技术方法（≤250字）：研究人员设定Y_i,t=μ_i,t+η_i,t，η_i,t=λ_i^?f_t+e_i,t，由训练样本构造面板CUSUM统计量Z_i,m,k，聚合为V_k,m⁽¹⁾与V_k,m⁽²⁾(σ²)，并用加权最小二乘（WLS, weighted least squares）回归估计均值长期方差σ?_N²，结合边界函数q_η(m,k)和bootstrap临界值；模拟评估有限样本，实证使用美国地质调查局（USGS, U.S. Geological Survey）Lees Ferry站09380000日流量，N=365天，m=40年（1922-10-01至1962-09-30）训练并序贯监测后续年份。

研究结果：2. Procedures（程序）：通过准似然和CUSUM构造V_k,m⁽¹⁾和V_k,m⁽²⁾，指出V_k,m⁽¹⁾需面板特定长期方差，V_k,m⁽²⁾用均值长期方差中心化；给出停止规则和边界函数，并用训练样本回归估计σ?_N²。3. Asymptotic results（渐近结果）：在正则条件下证明V_k,m⁽¹⁾与V_k,m⁽²⁾缩放过程在H₀下弱收敛到零均值高斯过程；不同权重w_H、w_ols（OLS, ordinary least squares，普通最小二乘）、w_wls对应不同协方差常数；给出近似临界值。3.1. Consistency（一致性）：若变化幅度满足m/N∑δ_i²→∞，检验可检测变化，具有一致性。3.2. Standardization（标准化）：提出κ?_N,m²估计κ?²以标准化V_k,m⁽²⁾，使检验可用。4. Dependent panels（相依面板）：在强截面相依下研究V_H⁽²⁾；极限依赖共同因子长期协方差和载荷；用Bai and Ng方法估计因子数和载荷；给出备择一致性条件。5. Standardization（标准化）：提出基于回归残差的ψ_N,m²新标准化；在共同因子渐近可忽略时极限枢轴，在强因子且r=1时?_f消去，仍枢轴，从而避免估计长期方差和κ?。6. Open-ended procedures（开放式程序）：将过程扩展至无限监测；定理显示L→∞时零分布稳定到2sup_0≤t≤1|W(t)|，为长监测期提供近似临界值。7. Simulation study（模拟研究）：采用bootstrap算法；模拟显示bootstrap分位数随N增大趋近渐近分位数，V_k,m⁽¹⁾收敛较慢。7.1. Empirical size and power（经验尺寸与功效）：在自回归（AR, autoregressive）误差和共同因子设置下，所提检验经验尺寸（size）接近0.05，功效（power）随δ_i和m增大；V_k,m⁽¹⁾较大m时功效较好但依赖长期方差估计；V_H⁽²⁾、V_ols⁽²⁾、V_wls⁽²⁾无需核和带宽且具竞争力；与G?smann et al.程序比较，所提程序功效显著更高；变化面板比例增加时功效提高。7.2. Run length（运行长度）：检测延迟随η增大而平均缩短；强截面相依下运行长度方差更大；变化发生稍晚时η影响减弱。8. Illustrative application（示例应用）：将Lees Ferry日流量整理为N=365、m=40的面板；四种检测器均在约1970首次超过bootstrap临界值；该时点与Glen Canyon Dam关闭后Lake Powell逐步蓄水及流量调节起始一致，说明程序可检测外部记录的均值变化。

讨论与结论：讨论强调方法适用于计量与金融大面板，自标准化避免病态长期方差估计，bootstrap实现可靠。研究结论翻译：研究人员开发了用于检测高维面板数据均值变化的序贯监测程序，允许面板内时间相依以及通过共同因子结构产生的截面相依。研究人员提出两类统计量，包括通过基于回归的中心化和标准化避免面板特定长期方差估计的版本。由于相依下的渐近临界值以复杂方式依赖共同因子序列和因子载荷，研究人员采用bootstrap实现，并在模拟中表明其提供可靠的检验水平和有竞争力的功效。