Nonparametric method of structural break detection in stochastic time series regression model
随机时间序列回归模型中结构断点的非参数检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列条件均值与方差的结构断点检测和定位，对应结构变化与时间序列；金融案例并非主要分类依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机时间序列回归模型中结构断点的非参数检测
- 研究问题
- 如何在不预设时间序列回归、解释变量依赖及噪声分布的参数形式时，检测并定位条件均值或条件方差的结构变化？
- 方法与思路
- 作者提出非参数结构断点检验和定位算法，建立断点估计一致性保证，并用不同尾部特征的序列模拟及比特币案例说明。
- 材料陈述的贡献
- 摘要称方法能够识别条件均值或方差变化，具有断点定位的一致性，并在多种序列与尾部分布的模拟中展示效果。
- 阅读关注点
- 应核对非参数灵活性之外仍需的依赖、尾部和光滑性限制，以及断点间距、变化幅度、调参及定位误差的保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；未预设参数形式不等于没有统计假设，摘要未说明一致性条件或误差率。
原文摘要
We propose a novel nonparametric test to detect structural breaks in the conditional mean and/or variance of a time series. Our method does not assume any specific parametric form for the dependence structure of the regressor, the time series model, or the distribution of the noise. This flexibility allows our algorithm to be applicable to a wide range of framework. We further apply the proposed test to accurately localize the changepoints and establish theoretical guarantees showing that the estimated structural breaks are consistent, meaning they lie sufficiently close to the true breakpoints when a sufficiently large sample is available. The effectiveness of the proposed algorithm is demonstrated through an extensive simulation study encompassing a diverse range of time series structures, including light, moderately heavy, and heavy tailed distributions. We also show a real-life example, where an application to Bitcoin prices and Google search volume illustrates how the procedure can identify changes in the conditional relationship between market attention and price dynamics.