Optimal break tests for large linear time series models
大型线性时间序列模型中的最优结构突变检验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回归中未知日期的结构突变检验，对应时间序列与结构变化。
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
大型线性时间序列模型中的最优结构突变检验
- 研究问题
- 在无限阶或阶数随样本增长的时间序列回归中，如何检验未知时点的结构突变，并处理原假设下突变日期无法识别的问题？
- 方法与思路
- 作者先在独立同分布高斯误差下推导平均功效最优检验，再通过函数型中心极限定理处理一般依赖，并修正额外序列依赖项及有限样本偏差。
- 材料陈述的贡献
- 摘要称，该方法将指数型突变检验推广到增长维度情形，揭示额外的高阶序列依赖项，并以模拟和实证例子展示检验表现。
- 阅读关注点
- 应核对平均功效最优性的评价准则、维度增长限制、允许的误差依赖结构，以及序列依赖项与有限样本偏差的具体修正方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体增长条件、实证数据及数值结果，不能据此判断普遍最优性。
原文摘要
We develop a class of optimal tests for a structural break occurring at an unknown date in infinite and growing-order time series regression models, such as AR($\infty$), linear regression with increasingly many covariates, and nonparametric regression. Under an auxiliary i.i.d. Gaussian error assumption, we derive an average power optimal test, establishing a growing-dimensional analog of the exponential tests of Andrews and Ploberger (1994) to handle identification failure under the null hypothesis of no break. Relaxing the i.i.d. Gaussian assumption to a more general dependence structure, we establish a functional central limit theorem for the underlying stochastic processes, which features an extra high-order serial dependence term due to the growing dimension. We robustify our test both against this term and finite sample bias and illustrate its excellent performance and practical relevance in a Monte Carlo study and a real data empirical example.