TESTING FOR CHANGES IN KENDALL’S TAU
Kendall 秩相关系数变化检验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。
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：摘要明确针对双变量时间序列的相关结构变化构造变点检验，并研究依赖过程的渐近理论，对应结构变化与时间序列。
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…
Kendall 秩相关系数变化检验
- 研究问题
- 对于存在时间依赖且可能具有厚尾的双变量序列，如何检验 Kendall 秩相关是否恒定，并在单次变化时估计变点位置？
- 方法与思路
- 作者构造基于 Kendall 秩相关的非参数变点统计量，以依赖过程的 U 统计量不变原理推导零假设分布并研究变点估计。
- 材料陈述的贡献
- 摘要称，作者建立检验的渐近理论和单变点位置估计的一致性，并以允许任意厚尾的近历依赖条件开展数值及实例比较。
- 阅读关注点
- 应核对平稳性条件适用于哪个假设或区段、近历依赖与混合要求，并检查秩相关变化和其他依赖结构变化的区别。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能判断具体厚尾条件、临界值实现或实例结果；关于效率的陈述也不等于普遍检验优势。
原文摘要
For a bivariate time series (( X i , Y i )) i =1,..., n , we want to detect whether the correlation between X i and Y i stays constant for all i = 1,... n . We propose a nonparametric change-point test statistic based on Kendall’s tau. The asymptotic distribution under the null hypothesis of no change follows from a new U -statistic invariance principle for dependent processes. Assuming a single change-point, we show that the location of the change-point is consistently estimated. Kendall’s tau possesses a high efficiency at the normal distribution, as compared to the normal maximum likelihood estimator, Pearson’s moment correlation. Contrary to Pearson’s correlation coefficient, it shows no loss in efficiency at heavy-tailed distributions, and is therefore particularly suited for financial data, where heavy tails are common. We assume the data (( X i , Y i )) i =1,..., n to be stationary and P -near epoch dependent on an absolutely regular process. The P -near epoch dependence condition constitutes a generalization of the usually considered L p -near epoch dependence allowing for arbitrarily heavy-tailed data. We investigate the test numerically, compare it to previous proposals, and illustrate its application with two real-life data examples.