扩展的马丁斯-罗德里格斯方法在检测多重持久性变化中的应用

《Mathematics》：Extended Martins–Rodrigues Method in Detecting Multiple Persistence Change

　　

长记忆时间序列数据中多重持久性变化的发生会影响模型参数估计和预测性能。本研究提出了马丁斯-罗德里格斯方法的扩展，用于检测时间序列过程中的多重持久性变化。该扩展方法通过有效且有意义地识别时间序列数据中的多重持久性变化，增强了原始框架。通过模拟与Leybourne等人提出的方法进行比较来评估其性能。结果表明，对于持久性变化参数递增的情况，扩展方法在检测多重持久性变化方面表现出较高的准确性和可靠性，这体现在更高的断点检测百分比上。研究人员随后将扩展方法应用于菲律宾通胀率数据。研究人员证明，在考虑检测到的持久性变化断点后，预测性能得到了改善。

**论文解读：扩展的马丁斯-罗德里格斯方法在检测多重持久性变化中的应用**

**研究背景与问题**
在时间序列分析中，结构变化（structural change）是常见现象，其源于数据生成过程的潜在变动，导致目标参数（如均值、方差或持久性参数）发生改变。未能识别这些变化会导致模型设定错误，进而产生不可靠的预测和有缺陷的决策。持久性变化（persistence change）特指分数差分参数（fractional differencing parameter）d的变动，在长记忆时间序列（long-memory time series）中尤为关键，因为d的取值直接影响过程平稳性（当|d|<0.5时平稳，|d|≥0.5时非平稳）以及模型参数估计与预测性能。现有研究已提出多种检测单一持久性变化的方法，例如Martins和Rodrigues [7] 的序贯检验，但实际数据中（如通胀率序列）常出现多重持久性变化。例如，美国通胀率被证实存在从趋势平稳（trend-stationary）到差分平稳（difference-stationary）的转变，且G7经济体的通胀率中也存在持久性断裂。然而，现有方法大多局限于检测单次断裂，难以同时识别多个断点。因此，研究人员将Martins–Rodrigues方法扩展，以有效检测多重持久性变化，并提高预测准确性。该研究发表于《Mathematics》。

**研究内容与结论**
研究人员提出扩展马丁斯-罗德里格斯方法（Extended MR test），用于检测线性单变量长记忆过程中差分参数d的多重变化。通过蒙特卡洛模拟评估性能，并与Leybourne等人 [27] 的多重持久性变化方法（LET）进行比较。模拟中，数据生成过程为ARFIMA模型，样本量T=500，真实断点位于0.33T和0.66T处，重复1000次。结果表明，在d值递增的情景（d1=0.1, d2=0.2, d3=0.3）下，扩展MR方法的断点检测准确率显著高于LET方法，且拒绝原假设（无持久性变化）的频率更高。但在d值递减或非平稳情景下，该方法表现不佳，故后续仅关注递增情景。随后，将扩展MR方法应用于菲律宾月度通胀率数据（1972年2月至2025年7月，来源Trading Economics），训练集至2022年7月，测试集为2022年8月至2025年7月。检测到两个断点：第一个在1983年7月（对应菲律宾金融危机），第二个在2000年3月（亚洲金融危机后复苏期）。相比之下，LET方法检测到2000年7月和2001年6月。预测分析中，采用ARIMA、ARFIMA和ARTFIMA三种模型，基于全样本、第一个断点后子样本和第二个断点后子样本分别进行预测，以MAE和RMSE评估误差。结果表明，ARFIMA模型为最优模型，且考虑第二个断点后预测误差最低，说明识别多重持久性变化能显著提升预测性能。两种方法预测误差相近，表明扩展MR方法具有稳健性。

**关键技术与方法**
1. **扩展MR测试步骤**：首先使用Fox–Taqqu一致估计量估计长记忆参数d；然后对数据进行分数差分滤波得到残差序列；接着构造新变量，并选择候选断点位置（取值范围设定为0.15T至0.85T）；拟合前向辅助回归以计算斜率系数的OLS t统计量；取t统计量最小值对应的位置作为断点估计；若统计量显著（5%水平），则拒绝无持久性变化原假设，并在该断点处分割数据，对子样本重复步骤1–7以检测后续断点。
2. **模拟设计**：基于ARFIMA(0,d,0)过程生成数据，样本量T=500，真实断点位于0.33T和0.66T，重复1000次，比较对象为LET方法。
3. **实际应用**：菲律宾通胀率数据（1972年2月–2025年7月，月度），训练集至2022年7月，测试集2022年8月–2025年7月。使用ARIMA、ARFIMA、ARTFIMA模型，通过AIC选择最优参数，采用MAE和RMSE评估预测误差。

**研究结果**
- **模拟结果**：在d递增情景（d1=0.1, d2=0.2, d3=0.3）下，扩展MR方法对两个断点的检测准确率高于LET方法，拒绝频率接近100%，而LET方法几乎无拒绝。图1–2（原文）显示扩展MR方法的断点分布更集中于真实位置。当样本量较大（如T=500）时，该方法能有效检测第二个断点；小样本下性能下降。
- **实际应用结果**：扩展MR方法检测到的第一个断点（1983年7月）与菲律宾金融危机吻合，第二个断点（2000年3月）对应亚洲金融危机后复苏期的政治经济困难。LET方法检测的断点（2000年7月、2001年6月）也可归因于相同背景。
- **预测性能**：全样本拟合中，ARFIMA模型（AIC最优）被选为预测模型。在检测第二个断点后的子样本中，MAE和RMSE均达到最低（表5），表明考虑多重持久性变化使预测误差减小。两种方法误差值接近，说明扩展MR方法在预测性能上具有竞争力。

**讨论与结论**
研究人员在结论部分指出：本文提出了马丁斯-罗德里格斯方法的扩展，以检测时间序列数据中差分参数d的多重持久性变化。通过模拟研究评估了扩展方法的性能，并与Leybourne等人[27]的多重持久性变化方法进行了比较。对于d递增的情况，提出的方法基于更高的拒绝率表现显著更好。扩展MR方法进一步应用于菲律宾月度通胀率数据，并在三种情景下进行了比较预测分析：（i）检测到任何断点之前，（ii）检测到单个断点之后，以及（iii）检测到两个断点之后。实证结果表明，扩展方法成功检测到数据集中的第二个持久性断点。此外，预测结果表明，考虑多重持久性变化后，预测准确性得到显著提高。总体而言，这些发现突出了扩展的马丁斯-罗德里格斯方法作为检测多重持久性变化和增强长记忆经济时间序列预测性能的稳健工具的有效性。