Zivot–Andrews পরীক্ষা: অজানা একটি break-সহ unit root

Augmented Dickey–Fuller (ADF) পরীক্ষায় level বা trend break বাদ পড়লে unit root আর stationary process আলাদা করা কঠিন হতে পারে। Policy change-এর পর একবারের level shift, মাপা trend-এর পরিবর্তন বা বড় market event পুরো sample-কে প্রতিটি segment-এর deterministic path-এর তুলনায় বেশি persistent দেখাতে পারে।

ZA পরীক্ষা একটি অজানা break date-এর জন্য Dickey–Fuller ধারণা ব্যবহার করে। Regression-এর deterministic অংশ একবার বদলাতে দিলে unit root-এর বিরুদ্ধে evidence বাড়ে কি না, সেটিই পরীক্ষা করে। প্রশ্নের জন্য একটিমাত্র break যুক্তিসঙ্গত হলে পদ্ধতিটি কাজে আসে; সব ধরনের regime change খোঁজার সাধারণ search নয়।

এটি এখনও unit-root test। নির্দিষ্ট কোনো event break ঘটিয়েছে কি না, trading rule নির্ধারণ করে কি না, বা price trade করার উপযোগী সময়ে mean-এ ফিরবে কি না—এসব পরীক্ষা করে না। Break ছাড়া baseline-এর জন্য ADF ও Phillips–Perron তুলনা দেখুন; বিস্তৃত hypothesis-এর জন্য stationarity ও unit-root নির্দেশিকা পড়ুন।

Candidate date-এর regression difference আকারে এভাবে লেখা যায়:

Δyₜ = dₜ(λ)′δ + αyₜ₋₁ + Σⱼ₌₁ᵖ φⱼΔyₜ₋ⱼ + εₜ

এখানে λ candidate break fraction; \(d_t(\lambda)\)-তে নির্বাচিত model-এর deterministic terms ও candidate break terms থাকে; lagged differences short-run dependence নিয়ন্ত্রণ করে। এই parameterization-এ unit-root null হলো \(H_0: \alpha=0\), যা level autoregressive coefficient এক হওয়ার সমান।

Classic ZA setup unit-root null-এ deterministic trend break নেই ধরে, আর alternative-এ এমন trend-এর চারপাশে stationarity ধরে যাতে একবার break হতে পারে। Alternative-কে সেই পথ দেখাতে regression-এ candidate break term থাকে, কিন্তু classic null calibration break effect অনুপস্থিত ধরে। ফল ও critical value ব্যাখ্যায় এই পার্থক্য জরুরি।

পরীক্ষা null reject না করলে সিরিজটি exact random walk—এমন প্রমাণ হয় না। কম power, ছোট sample, ভুল trend form বা null-এর অধীনে break থাকলেও reject নাও হতে পারে। Reject হলে তা নির্দিষ্ট unit-root null-এর বিরুদ্ধে evidence; প্রতিটি market regime-এ সব shock temporary—তার প্রমাণ নয়।

প্রথমে analyst interior admissible break-date set ঠিক করেন। Sample-এর একেবারে শুরু বা শেষে থাকা তারিখ সাধারণত বাদ পড়ে, যাতে candidate break-এর দুই পাশেই তথ্য থাকে। প্রতিটি অনুমোদিত λ-এর জন্য regression fit করে α-এর t-statistic রাখা হয়।

নির্বাচিত তারিখ সেই candidate, যার statistic সবচেয়ে ছোট বা সবচেয়ে negative:

λ̂ = arg min₍λ ∈ Λ₎ tα(λ) τZA = min₍λ ∈ Λ₎ tα(λ)

তাই test statistic একটি search-এর minimum; আগে থেকে নির্দিষ্ট তারিখে পাওয়া t-statistic নয়। Selected break fraction sample, model variant, lag specification ও trimmed candidate set-এর ওপর নির্ভর করে। এটি ঐতিহাসিক event date-এর নির্ভুল অনুমান—এমন নয়।

Lag choice-ও regression-এ প্রভাব ফেলে। Lagged difference খুব কম হলে residual-এ serial dependence থাকতে পারে; বেশি হলে, বিশেষত ছোট sample-এ, তথ্য খরচ হয়। Software default-কে theory-এর অংশ ধরে নেবেন না; lag rule ও candidate-date trimming জানান।

প্রচলিত ZA variant-গুলো model A, B ও C নামে পরিচিত। Software-এ “intercept”, “trend” বা “both” কী বোঝায় তা ভিন্ন হতে পারে, তাই implementation-এর সংজ্ঞা দেখুন।

• Model A intercept বা level-এ একবার shift হতে দেয়
• Model B deterministic trend-এর slope বদলাতে দেয়
• Model C intercept shift এবং trend-slope change—দুটিই অনুমোদন করে

এটি substantive choice। Exchange-rate level-এ স্থায়ী jump, growth-এ ধীরে পরিবর্তনের মতো deterministic path নয়। যুক্তিহীন trend change যোগ করলে অপ্রয়োজনীয় terms estimate করতে গিয়ে power কমতে পারে; plausible change বাদ দিলে regression misspecified হতে পারে। ফল তুলনা করার আগে কোন ধরনের change যৌক্তিক তা নির্ধারণ করুন।

এই model-গুলো পরিবর্তনের অর্থনৈতিক কারণ শনাক্ত করে না। নির্বাচিত model-এ sample-এর best-fitting date-টি estimate হতে পারে, যদিও একাধিক event, measurement change বা বাদ পড়া dynamics একই shape ব্যাখ্যা করতে পারে।

ধরা যাক, একজন researcher পাঁচটি hypothetical candidate date পরীক্ষা করেন। প্রতিটি regression-এর lagged-level term-এর t-statistic:

Minimum হলো −4.0, তাই search-এ λ = 0.50 নির্বাচিত হয়। তারিখ ও statistic নির্বাচন কীভাবে হয়, উদাহরণটি শুধু সেটাই দেখায়। সংখ্যাগুলো বানানো; এখানে ZA critical value বা rejection decision নেই। বাস্তবে candidate set, model, lag rule ও critical value একসঙ্গে নির্ধারণ করতে হবে।

<!-- learn:illustration -->

Minimum statistic-এর জন্য সাধারণ Dickey–Fuller বা Student t critical value বৈধ নয়। প্রতিটি candidate-date regression দেখতে ADF regression-এর মতো হলেও, অনেক তারিখ খুঁজে সবচেয়ে negative statistic রাখলে null distribution বদলে যায়।

যথাযথ reference value ZA model variant ও search design-এর ওপর নির্ভর করে। \(\tau_{ZA}\)-কে একই break specification ও candidate-date search-এর জন্য তৈরি critical value-এর সঙ্গে তুলনা করুন। নির্বাচিত তারিখকে sample দেখার আগে স্থির ছিল এমনভাবে ধরে তার statistic পড়বেন না; সাধারণ ADF table-এর সঙ্গেও তুলনা করবেন না।

মূল Zivot–Andrews গবেষণা আগে থেকে break date নির্ধারণ করা Perron পরীক্ষার ভিত্তিতে estimated-break পদ্ধতিটি গড়ে তোলে। Break location অজানা ধরে এবং search-এর distribution নির্ধারণ করে। ইতিহাস ও implementation-এর জন্য মূল প্রবন্ধ এবং Perron-এর known-break analysis দেখুন।

কী পরীক্ষা হচ্ছে তার ওপর ফল নির্ভর করে। Log price, interest rate, price spread, realized volatility ও return series আলাদা প্রশ্নের উত্তর দেয়। Long-run trend break level-এর জন্য গুরুত্বপূর্ণ হতে পারে, কিন্তু short-horizon return-এর জন্য অপ্রাসঙ্গিক হতে পারে। Pair research-এ ব্যবহৃত spread-এর নিজস্ব economic rationale ও cointegration justification দরকার।

Technical-trading study-তে ZA rejection হলো নির্বাচিত break model-এর অধীনে পরীক্ষাধীন level নির্দিষ্ট unit-root null-এর বদলে broken deterministic trend দিয়ে ভালোভাবে বোঝানো যায়—এমন evidence-এর একটি অংশ। Estimated date-এর পর series পূর্বানুমানযোগ্যভাবে mean-revert করবে, বা entry, exit ও risk rule তৈরি হয়েছে—এটি দেখায় না।

নির্বাচিত break date পুরো searched sample ব্যবহার করে। একই full-sample date বা test result দিয়ে strategy design ও performance evaluation করলে পরবর্তী observation-ও selection-এ প্রভাব ফেলেছে। তাই trading analysis-এ real-time বা rolling design, out-of-sample evaluation এবং বাস্তব transaction cost দরকার; test নিজে এসব সুরক্ষা দেয় না।

Classic ZA critical value ধরে যে unit-root null-এর অধীনে deterministic trend-এ break নেই। পরবর্তী গবেষণায় দেখা গেছে, null-এর অধীনে trend break সত্যি থাকলে minimum Dickey–Fuller t-statistic procedure অতিরিক্ত reject করতে পারে; গবেষণায় আলোচিত ক্ষেত্রে asymptotic size খুব বড়ও হতে পারে। তখন rejection trend-stationarity evidence-এর বদলে null model ও data-র অমিল প্রতিফলিত করতে পারে। Harvey, Leybourne ও Taylor-এর infimum Dickey–Fuller test বিশ্লেষণ দেখুন।

One-break alternative দুই বা তার বেশি change, temporary pulse, changing volatility বা ধীরে গড়ে ওঠা break দেখাতে পারে না। Smallest p-value দেখে A, B ও C-এর মধ্যে বেছে নিলেও আরেকটি selection layer যোগ হয়। একাধিক break বা null-এর অধীনে break সম্ভব হলে classic ZA-কে অতিরিক্ত প্রসারিত না করে সেই hypothesis ও calibration-এর জন্য তৈরি পদ্ধতি নিন।

Quandt–Andrews নির্দেশিকা regression parameter-এ unknown break date আলোচনা করে; Bai–Perron নির্দেশিকা regression-এর multiple break নিয়ে। এগুলো সম্পর্কিত কিন্তু পৃথক hypothesis পরীক্ষা করে, এবং break-aware unit-root test-এর বিকল্প নয়।

একটি উপযোগী প্রতিবেদনে ধারাটি ও তার রূপান্তর, নমুনার সময়কাল ও পর্যবেক্ষণ-হার, নির্ধারিত মডেল, lag rule, trimming range, নির্বাচিত break fraction, minimum statistic এবং উপযুক্ত critical value বা p-value থাকবে। Null hypothesis স্পষ্ট করে লিখুন এবং এতে break অনুমোদিত কি না জানান। যুক্তিসঙ্গত মডেল বা lag choice বদলালে ফলও বদলায় কি না, সেই sensitivity দেখান।

Estimated date-কে diagnostic হিসেবে নিন, causal conclusion হিসেবে নয়। পরিচিত institutional ও market event-এর সঙ্গে মিলিয়ে দেখতে পারেন; তবে একই data-তে বেছে নেওয়া date-কে কোনো event-এর independent confirmation হিসেবে দেখাবেন না। Economic explanation, statistical rejection এবং trading implication আলাদা দাবি।

বিস্তৃত unit-root workflow-এর জন্য stationarity নির্দেশিকা দেখুন, তারপর উপযুক্ত হলে no-break complementary diagnostic হিসেবে ADF বা PP ব্যবহার করুন। Nonstationary variable-এর long-run relation প্রশ্ন হলে Engle–Granger cointegration নির্দেশিকা দেখুন। কোনো একক test সঠিক transformation নির্ধারণ করে না বা profitable strategy প্রমাণ করে না।