回归中多重结构突变的 Bai–Perron 检验

回归中的结构突变是指一个或多个系数可能在样本中的未知时点发生变化。全样本只估计一个系数，可能掩盖这种变化：例如，收益与风险的关系在一个区间为正，后来变弱或反转，那么平均系数也许无法很好描述任一区间。Bai–Perron 方法将这个问题明确为对观测值各种可能分段的搜索。

它与 Chow 检验的关键区别是日期是否事先固定。Chow 检验比较给定日期两侧的子样本；若尝试多个日期，只报告普通 Chow 统计量的最大值，就不能继续使用单次预设检验通常的参考分布。Bai–Perron 检验会考虑对候选日期的搜索，并可评估多个突变。预先指定日期的情形可参阅 Chow 检验指南。

它也不同于回归 CUSUM。CUSUM 按时间顺序检查递归残差路径是否显示出与稳定性假设不一致的证据，但它本身不会给出一组经过选择的多个突变日期。Bai–Perron 则在明确的分段回归模型下估计数据划分。两种方法都不能解释关系为何变化。残差路径诊断可参阅回归 CUSUM 指南。

假设有 \(T\) 个观测值，在整数日期 \(T_1<\cdots<T_m\) 发生 \(m\) 次突变。令 \(T_0=0\)、\(T_{m+1}=T\)，并将第 \(j\) 段定义为观测 \(T_{j-1}+1,\ldots,T_j\)。纯结构变化模型可写为

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

其中，\(y_t\) 是结果变量，\(x_t\) 是纳入模型的解释变量向量，\(\beta_j\) 是第 \(j\) 段的系数向量，\(u_t\) 是误差项。未知的不只是系数：除非研究设计事先固定了突变日期和数量 \(m\)，否则也要估计或选择它们。模型还假设观测值有意义的顺序，并且在所选设定下每个分段内的系数向量稳定。

在金融示例中，\(y_t\) 可以是投资组合收益，\(x_t\) 可以包括市场收益、利率变化或波动率指标。检测到突变，表示按该程序拟合时，样本内分段线性条件均值的拟合更好。这并不意味着某个特定事件改变了系数、解释变量具有外生性，或样本外关系仍然稳定。

还要区分观测日期与日历日期。如果观测值是每日交易时段，第 120 个交易时段与第 121 个交易时段之间的突变不一定对应一个日历日的市场变化；假期、缺失报价和不规则采样都会影响两者映射。在把突变当作某个事件的时间戳之前，应说明样本排序方式和日期报告规则。

在纯结构变化模型中，\(\beta_j\) 中的所有系数都可在分段间变化。这允许截距和所有斜率改变，但需要估计更多分段专属参数。因此，若分段较短或解释变量较多，突变可能难以精确估计。只有当研究问题允许所有建模关系重新设定时，纯变化才合适。

在部分结构变化模型中，部分系数保持各段共有，其他系数可以变化。例如写作 \(\beta_j=(\delta',\gamma_j')'\)，其中 \(\delta\) 在所有分段共享，\(\gamma_j\) 随分段变化。这可以表达有实质意义的限制，例如允许截距和政策暴露斜率变化，但保持控制变量的效应相同。该限制会同时改变拟合目标和检验的参考分布，因此应明确说明，不能当作没有影响的简化。

计算方法也不同。纯变化模型中，一个分段方案的残差平方和（RSS）是各段独立 RSS 的总和，因此在突变数量固定时可用动态规划优化分段。部分变化模型中的共有系数会把所有分段联系起来。Bai 和 Perron 描述了一种迭代方法：先固定共有系数，估计突变日期和可变系数；再固定分段，更新共有系数。简单的分段 RSS 加法递推本身无法联合求解整个受限模型。模型设定应依据科学或预测问题，而不是依据哪种版本报告更多突变。

搜索要求每个分段至少有一定数量的观测值。截尾规则可避免对极短区间拟合，从而减少系数不稳定的风险；但它也会排除过于接近样本端点或另一突变的真实变化。该规则属于研究设计，并非普遍定律。

考虑一个明确的假设示例：\(T=240\) 个观测值，选择 15% 的截尾比例。于是每段最小长度为 \(h=0.15\times240=36\) 个观测值。若突变日期定义为前一段的最后一个观测值，那么一个突变时，允许的日期为 \(36\le T_1\le204\)。突变两侧都至少有 36 个观测值。

两个突变时，允许的日期对必须满足：

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

也就是说 \(T_1\le168\)，且 \(T_2\) 必须比第一个突变至少晚 36 个观测值，并在第二个突变后留下 36 个观测值。日期对 \((72,156)\) 符合要求，三段长度分别为 72、84 和 84 个观测值。\((80,100)\) 不符合要求，因为中间一段只有 20 个观测值。在此 \(h\) 下，240 个观测值最多容纳 5 次突变：6 段至少需要 \(6\times36=216\) 个观测值，而 7 段需要 252 个。

这里的 15% 明确是一个假设性的设计选择，并非默认建议。比例较大可能排除短期制度及接近样本边界的日期；比例较小允许短分段，但可能没有足够信息可靠估计斜率和长期协方差量。应根据采样频率、解释变量数量、合理的制度持续时间和推断方法选择规则。报告该选择；如果在实质上有意义，也应展示临近数值是否会改变结论。存在滞后项或缺失观测时，不同实现对有效样本量和搜索端点的定义可能不同，因此应记录实际采用的约定。

对于 \(m\) 固定的纯变化模型，日期搜索可表示为最小化分段 RSS 总和：

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

同时满足日期顺序和最小分段长度要求。\(\operatorname{SSR}(a,b)\) 是对观测 \(a,\ldots,b\) 拟合一个区间后得到的最小最小二乘残差平方和。朴素搜索会检查每种日期组合，其数量会随 \(T\) 和 \(m\) 快速增加。

动态规划会重复利用已求解的最优子问题。令 \(D(r,j)\) 表示将观测 1 至 \(j\) 划分为 \(r\) 个有效分段时的最小 RSS，一种递推形式是

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

其中分割点 \(i\) 受到限制，使前 \(r-1\) 段和最后一段都达到最小长度。保存每一步使目标值最小的分割点，就能恢复日期。对于每个允许的分段数，该算法在指定模型和约束下找到 RSS 全局最小的分段，而不是逐个贪心地添加突变。Bai 和 Perron（2003）介绍了这项计算，并讨论纯变化和部分变化模型。

这里的“全局”是相对于所选突变数量、解释变量、确定性项、截尾规则和目标函数而言。它不表示统计模型为真、该数量正确，或在所有可能设定中该分段都最优。程序可以高效比较多个数量，但选择 \(m\) 仍是单独的推断或模型选择步骤。

为候选数量算出最佳分段后，可以用多种方法选择 \(m\)。序贯 \(\sup F(\ell+1\mid\ell)\) 检验将有 \(\ell\) 次突变的模型与多一次突变的模型比较，并对允许日期范围内的统计量取上确界。UDmax 或 WDmax 等双重最大检验，将无突变的原假设与突变数量未知、但不超过给定上限的备择假设比较。BIC 类信息准则则权衡拟合改善和模型复杂度惩罚。这些方法彼此相关，但回答的问题并不完全相同。

在未知突变日期上取最大值后，通常不应直接使用普通 F 临界值。在无突变的原假设下，候选日期不像备择假设下那样被识别，因此会产生非标准的渐近分布。临界值取决于截尾、纯变化或部分变化、解释变量以及误差协方差假设等条件。Bai 和 Perron（1998）推导了多重变化检验；后续临界值研究给出了不同截尾规则和模型设定下的临界值。Andrews（1993）为单个未知变化点的不稳定性检验提供了重要结果，但其临界值不能替代多重突变程序。

序贯检验容易解释，但结果可能受到每一步检验功效和预先设定的最大突变数影响。信息准则因惩罚不同，可能选出不同数量；所有候选模型也可能都只是近似。突变更多并不自动意味着描述更真实：拟合改善很小时，代价可能是分段系数不稳定。应报告方法、最大数量、截尾规则、检验顺序或准则，以及相应临界值假设。如果选择很重要，应展示敏感性，而不是把单一结果说成确定结论。

使目标函数最小的日期，是给定模型下的点估计。不要将其报告成数据揭示了经济关系变化的精确时刻。抽样波动、较小的系数变化、彼此接近的突变、嘈杂的结果、变化有限的解释变量和较长的最小分段长度，都可能使最小值周围的目标函数较平坦。几个相邻分段可能拟合得几乎同样好。

Bai 和 Perron 在特定条件下构造突变日期的置信区间。这些区间描述模型化日期的抽样不确定性，并不涵盖回归设定是否正确、应纳入哪些变量、突变数量或截尾规则等所有不确定性。如果突变数量本身也不确定，只报告在一个选定数量下的窄日期区间，可能低估整体不确定性。

实际报告中，应区分日期约定、估计的观测序号、对应的日历日期，以及每次突变的区间。若区间很宽或彼此重叠，应说明位置只能粗略确定。不要在看过结果后从图中挑选日期，再把它描述为独立预测的事件时点。若将估计突变与已知事件比较，还应考虑事件和时间窗口可能是在查看数据后选定的。

RSS 分段是拟合准则；检验和置信区间是否有效，取决于对解释变量和误差的假设。金融回归可能存在序列相关、条件异方差、异常值、波动率变化、重叠收益或异步观测。若协方差估计量和临界值假设误差独立且方差相同，而残差实际上相关或异方差，那么即使估计日期看起来合理，显著性结论也可能误导。

Bai–Perron 研究还讨论了更一般条件下的程序，包括某些形式的异方差和序列依赖。不过，分析者仍需使用与具体设定相匹配的协方差修正和参考值。稳健或 HAC 协方差估计不能修复遗漏动态、内生解释变量、错误的条件均值设定，或混合了不相容时间间隔的观测日历。仅仅使用稳健标准误，也不会让 RSS 目标函数自动成为更好的数据模型。

检查候选分段内外的残差相关性和方差模式。说明误差假设是否允许分段方差、序列相关或解释变量分布变化，以及所选检验理论是否覆盖这些情形。极短分段会令稳健协方差估计尤其脆弱，因此截尾和模型维度要一起规划。回归估计和协方差假设的背景可参阅 OLS 回归指南。

可复现的报告应列出结果变量、所有解释变量、数据变换、样本时间范围和频率、截距与系数约束、纯变化或部分变化设定、候选最大数量 \(m\)、截尾比例和最小长度、日期约定、优化方法，以及用于选择 \(m\) 的检验或准则。还应给出选定数量、各段系数、日期及不确定区间、检验统计量、协方差处理和临界值来源，并说明搜索排除了哪些端点或观测值。

统计上检测到突变，意味着在既定回归模型和假设下存在参数不稳定的证据。它不能识别导致变化的事件，不能证明某则新闻或政策变化是原因，也不能说明突变前后的系数会持续。突变可能反映遗漏变量、数据定义变化、波动率事件、测量问题或真实经济变化；回归检验本身无法区分这些解释。

在量化交易中，全样本搜索会使用每个估计突变前后的观测值。若像实时已知选定日期那样交易，就会产生前视偏差。按时间顺序评估任何拟议的制度规则，只用每个日期当时可获得的信息重新估计，并纳入价差、费用、市场冲击、融资、借券、换手和延迟。与简单的固定参数基准和不交易基准比较，并保留真正后续的数据做验证。突变可以促使模型复核或风险调查，但不能证明预测能力或可投资优势。

Bai 和 Perron（1998）在原始论文中提出线性模型多重结构变化的检验和估计方法。他们的2003 年计算论文解释动态规划与部分变化程序；临界值论文说明临界值如何随设计而变。Andrews 关于未知变化点的论文为单次变化提供了相关基础。可将预先指定日期的 Chow 检验与回归 CUSUM 检验作为相邻诊断进行比较。