迴歸中多重結構變化的 Bai–Perron 檢定

迴歸中的結構變化，是指一個或多個係數可能在樣本中的未知時點發生改變。只用全樣本估計一個係數，可能掩蓋這種變化：例如，報酬與風險的關係在某段期間為正，之後轉弱或反轉，平均係數便可能無法充分描述任一期間。Bai–Perron 方法將這個問題明確化為搜尋觀測值可能的分段方式。

它與 Chow 檢定的主要差異，在於日期是否事先指定。Chow 檢定比較指定日期兩側的子樣本；若嘗試許多日期，再只報告一般 Chow 統計量中最大的數值，單一預先指定檢定的標準參考分配就不再適用。Bai–Perron 檢定會考慮候選日期搜尋，也能評估多次變化。預先指定日期的情況可參閱 Chow 檢定指南。

它也不同於迴歸 CUSUM。CUSUM 依時間順序檢查遞迴殘差路徑，尋找不支持穩定性的證據；但它本身不會產生一組選定的多個變化日期。Bai–Perron 則在明確的分段迴歸模型下估計分段方式。兩種方法都無法解釋關係為何改變。殘差路徑診斷可參閱迴歸 CUSUM 指南。

假設有 \(T\) 個觀測值，並在整數日期 \(T_1<\cdots<T_m\) 發生 \(m\) 次變化。令 \(T_0=0\)、\(T_{m+1}=T\)，第 \(j\) 個區段包含觀測值 \(T_{j-1}+1,\ldots,T_j\)。純結構變化模型可寫成

\[ y_t=x_t'\beta_j+u_t,\qquad T_{j-1}<t\le T_j,\quad j=1,\ldots,m+1. \]

其中 \(y_t\) 是結果變數，\(x_t\) 是納入的解釋變數向量，\(\beta_j\) 是第 \(j\) 段的係數向量，\(u_t\) 是誤差。未知的不只是係數：除非研究設計已事先固定，變化日期和次數 \(m\) 也需要估計或選擇。模型也假設觀測值的排序有意義，且在所選設定下，每個區段內的係數向量保持穩定。

以金融為例，\(y_t\) 可以是投資組合報酬，\(x_t\) 可以包括市場報酬、利率變動或波動度指標。檢出變化表示依照該程序，區段式線性條件平均數在樣本內的配適較佳。這不代表某個特定事件改變了係數、解釋變數具有外生性，或樣本外的關係仍然穩定。

也要區分觀測日期與日曆日期。若觀測值是每日交易時段，第 120 與第 121 個交易時段之間的變化，不一定對應一個日曆日的市場變動；假日、缺少的報價和不規則取樣都會影響對應關係。在將變化日期視為某事件的時間戳記之前，請說明樣本排序方式和日期的報告慣例。

純結構變化模型允許 \(\beta_j\) 中的每個係數在區段間變動。截距和所有斜率都可以改變，但需要估計更多區段專屬參數。因此，區段較短或解釋變數較多時，變化可能難以精確估計。只有在研究問題允許所有模型關係重新設定時，純變化才適用。

部分結構變化模型會讓部分係數在各區段維持相同，其餘係數則可以改變。例如寫成 \(\beta_j=(\delta',\gamma_j')'\)，其中 \(\delta\) 在所有區段共用，\(\gamma_j\) 則依區段而異。這可代表具有實質意義的限制：允許截距和政策曝險斜率改變，但控制變數的效果維持相同。此限制會改變配適目標和檢定的參考分配，應明確說明，不能視為毫無影響的簡化。

計算方式也不同。純變化模型中，某個分段方案的殘差平方和（RSS）等於各個獨立區段 RSS 的總和，因此在變化次數固定時，可用動態規劃最佳化分段。部分變化模型中的共用係數會連結所有區段。Bai 和 Perron 描述一種反覆程序：先固定共用係數，估計變化日期與可變係數；接著固定分段，更新共用係數。單純將區段 RSS 相加的遞迴式，無法單獨聯合解決整個受限模型。應依科學或預測問題選擇設定，而不是選擇會報告較多變化的版本。

搜尋要求每個區段至少包含一定數量的觀測值。截尾規則可避免對極短區間配適，降低係數不穩定的風險；但它也會排除太靠近樣本邊界或另一個變化點的真實變化。這是研究設計的一部分，不是普遍定律。

考慮一個明確屬於假設的例子：\(T=240\) 個觀測值，選擇 15% 的截尾比例。這代表每個區段最短長度為 \(h=0.15\times240=36\) 個觀測值。若變化日期定義為前一區段的最後一個觀測值，單一變化時的可行日期為 \(36\le T_1\le204\)。變化兩側都至少有 36 個觀測值。

有兩次變化時，可行的日期組合必須符合：

\[ 36\le T_1,\qquad T_1+36\le T_2\le204. \]

也就是 \(T_1\le168\)，而 \(T_2\) 必須比第一次變化至少晚 36 個觀測值，並在第二次變化後留下 36 個觀測值。\((72,156)\) 是可行組合：三個區段分別有 72、84 和 84 個觀測值。\((80,100)\) 不可行，因為中間區段只有 20 個觀測值。在此 \(h\) 下，240 個觀測值最多容納五次變化：六個區段至少需要 \(6\times36=216\) 個觀測值，七個區段則需要 252 個。

這裡的 15% 明確是個假設性的設計選擇，不是預設建議。比例較高可能排除短期體制和靠近樣本邊界的日期；比例較低則允許短區段，但可能沒有足夠資訊可靠估計斜率和長期共變異數量。應根據取樣頻率、解釋變數數目、合理的體制持續時間和推論方法選擇規則。請報告所用比例；若有實質意義，也應檢查附近的數值是否會改變結論。有落後項或缺失觀測時，各實作對有效樣本數和搜尋端點的定義可能不同，因此要記錄實際採用的慣例。

純變化模型的 \(m\) 固定時，日期搜尋可以表示為最小化區段 RSS 總和：

\[ \min_{T_1,\ldots,T_m}\;\sum_{j=1}^{m+1}\operatorname{SSR}(T_{j-1}+1,T_j), \]

並符合日期順序及最短區段長度的限制。\(\operatorname{SSR}(a,b)\) 是用觀測值 \(a,\ldots,b\) 配適單一區段迴歸所得的最小最小平方法殘差平方和。直接搜尋會檢查每種日期組合，數量會隨 \(T\) 和 \(m\) 快速增加。

動態規劃會重複利用已最佳化的子問題。若 \(D(r,j)\) 代表將觀測值 1 到 \(j\) 分成 \(r\) 個有效區段時的最小 RSS，其中一種遞迴形式為

\[ D(r,j)=\min_i\{D(r-1,i)+\operatorname{SSR}(i+1,j)\}, \]

其中分割點 \(i\) 受到限制，確保前 \(r-1\) 個區段和最後一個區段都達到最短長度。每一步保留讓目標值最小的分割點，就可以還原日期。對每個允許的區段數，演算法會在指定模型與限制下找出 RSS 全域最小的分段，而不是逐一貪婪地加入變化。Bai 和 Perron（2003）說明了這項計算，也討論純變化和部分變化模型。

這裡的「全域」是相對於所選的次數、解釋變數、確定性項、截尾和目標函數而言。它不表示統計模型必然正確、所選次數一定正確，或此分段在所有可能設定中都是最佳。程序可以有效率地比較不同次數，但選擇 \(m\) 是另一個推論或模型選擇步驟。

為候選次數計算最佳分段後，有幾種方法可選擇 \(m\)。循序的 \(\sup F(\ell+1\mid\ell)\) 檢定比較有 \(\ell\) 次變化的模型與多一次變化的模型，並對可行日期範圍取統計量上確界。UDmax 或 WDmax 等雙重最大檢定，以沒有變化為虛無假設，對比變化數未知但不超過指定上限的對立假設。BIC 類資訊準則則比較配適改善與模型複雜度懲罰。這些方法彼此相關，但回答的問題並不完全相同。

在未知變化日期上取最大值後，通常不適合直接使用一般 F 臨界值。在沒有變化的虛無假設下，候選日期不像對立假設下那樣可識別，因此會產生非標準漸近分配。臨界值取決於截尾、純或部分變化、解釋變數和誤差共變異數假設等因素。Bai 和 Perron（1998）推導多重變化檢定；後續臨界值研究則整理不同截尾和模型設定下的數值。Andrews（1993）提供單一未知變點不穩定性檢定的重要結果，但其臨界值不能取代多重變化程序。

循序檢定容易解讀，但結果可能受到每一步的檢定力和預先設定的最大變化數影響。資訊準則的懲罰不同，可能選出不同次數；所有候選模型也可能只是近似。變化較多不一定代表描述更貼近真實：配適略為改善，可能要以不穩定的區段係數為代價。請報告方法、最大次數、截尾、檢定順序或準則，以及對應臨界值的假設。如果選擇很重要，應呈現敏感度，而不是把某個數目說成確定答案。

使準則最小的日期，是指定模型下的點估計。不要把它說成資料已揭露經濟關係改變的精確時刻。樣本變異、微小的係數變化、相近的變化點、雜訊較多的結果、變動不足的解釋變數和較長的最短區段，都可能讓最小值附近的目標函數較平坦。幾個相鄰分段可能有幾乎相同的配適程度。

Bai 和 Perron 在指定條件下提出變化日期的信賴區間。這些區間描述模型化日期的抽樣不確定性，並未涵蓋迴歸設定是否正確、該納入哪些變數、變化次數或截尾規則等所有不確定性。如果變化次數本身也不確定，只呈現以單一選定次數為條件的狹窄日期區間，可能低估整體不確定性。

實務報告應區分日期慣例、估計的觀測序號、對應的日曆日期，以及每次變化的區間。如果區間很寬或彼此重疊，應說明位置只能粗略判定。不要在看過結果後從圖表挑出日期，再將它描述為獨立預測的事件時點。將估計變化與已知事件比較時，也要考慮事件和時間範圍可能是在看過資料後才選定。

RSS 分段是配適準則；檢定和信賴區間是否有效，取決於對解釋變數和誤差的假設。金融迴歸可能有序列相關、條件異質變異、離群值、波動度變化、重疊報酬或非同步觀測。如果共變異數估計量和臨界值假設誤差獨立且變異數相同，但殘差實際上相依或具異質變異，即使估計日期看似合理，顯著性仍可能誤導。

Bai–Perron 研究也提出適用於較一般條件的程序，包括某些形式的異質變異和序列相依。然而，仍須採用符合實際設定的共變異數修正和參考值。穩健或 HAC 共變異數估計無法修正遺漏的動態、內生解釋變數、錯誤的條件平均數，或混合不相容時間間隔的觀測日曆。單靠穩健標準誤，也不會令 RSS 目標函數自動成為更好的資料模型。

檢查候選區段內外的殘差相依性和變異數模式。說明誤差假設是否允許區段特定變異數、序列相關或解釋變數分配改變，以及所選檢定的理論是否涵蓋這些情況。極短區段會令穩健共變異數估計特別脆弱，因此截尾和模型維度應一併規劃。迴歸估計和共變異數假設的背景可參閱 OLS 迴歸指南。

可重現的報告應列出結果變數、所有解釋變數、轉換方式、樣本期間與頻率、截距和係數限制、純或部分變化設定、候選最大次數 \(m\)、截尾比例及最短長度、日期慣例、最佳化方法，以及選擇 \(m\) 所用的檢定或準則。也要提供選出的變化次數、各區段係數、日期和不確定性區間、檢定統計量、共變異數處理方式與臨界值來源，並說明搜尋排除了哪些端點或觀測值。

統計上檢出的變化，是指定迴歸在相關假設下存在參數不穩定的證據。它不會指出哪個事件造成變化，不會證明某項新聞或政策是原因，也不會顯示變化前後的係數會持續。變化可能源於遺漏變數、資料定義改變、波動事件、測量問題或真實的經濟變化；迴歸檢定本身無法區分這些解釋。

在量化交易中，全樣本搜尋使用每個估計變化前後的觀測值。若把選出的日期當成即時已知並據此交易，就會產生前視偏誤。應依時間順序評估建議的體制規則，每個日期只用當時可取得的資訊重新估計，並納入價差、費用、市場衝擊、融資、借券、換手和延遲。和固定參數及不交易等簡單基準比較，並保留真正較晚取得的資料作驗證。變化可促使檢視模型或風險，但不代表有預測力或可投資的優勢。

Bai 和 Perron（1998）在原始論文提出線性模型中多重結構變化的檢定與估計。他們的2003 年計算論文說明動態規劃和部分變化程序；臨界值論文則說明臨界值如何隨研究設計改變。Andrews 關於未知變點的論文為單次變化提供相關基礎。相關診斷可比較預先指定日期的 Chow 檢定與迴歸 CUSUM 檢定。