Detection and estimation of structural breaks in high-dimensional functional time series
高维函数型时间序列中结构突变的检测与估计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。
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：摘要明确研究高维函数型时间序列的均值结构突变检测、异质突变时点及分组估计，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
高维函数型时间序列中结构突变的检测与估计
- 研究问题
- 在允许截面相关的高维函数型时间序列中，如何检测异质均值函数的突变，并估计不同个体的突变时点与分组？
- 方法与思路
- 作者结合函数型 CUSUM 与功效增强项构造检验，并引入潜在分组结构，通过聚类算法及信息准则估计组数和成员。
- 材料陈述的贡献
- 摘要称增强项扩大检验具有功效的备择范围，改善稀疏突变下的表现；一致估计的分组结构还可改善突变时点估计的收敛性质。
- 阅读关注点
- 核对截面相关与维度增长的限制、功效增强项的校准方式，以及组数和成员一致估计、突变时点收敛结果所需的条件。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；摘要未说明具体依赖条件、收敛速率和应用数据，不能据此确认其对任意高维相关序列均适用。
原文摘要
We consider detecting and estimating breaks in heterogenous mean functions of high-dimensional functional time series which are allowed to be cross-sectionally correlated. A new test statistic combining the functional CUSUM statistic and power enhancement component is proposed with asymptotic null distribution comparable to the conventional CUSUM theory derived for a single functional time series. In particular, the extra power enhancement component enlarges the region where the proposed test has power, and results in stable power performance when breaks are sparse in the alternative hypothesis. Furthermore, we impose a latent group structure on the subjects with heterogenous break points and introduce an easy-to-implement clustering algorithm with an information criterion to consistently estimate the unknown group number and membership. The estimated group structure improves the convergence property of the break point estimate. Monte Carlo simulation studies and empirical applications show that the proposed estimation and testing techniques have satisfactory performance in finite samples.