Sequential Change-point Detection for Compositional Time Series with Exogenous Variables
含外生变量的组成时间序列序贯变点检测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：摘要同时研究比例时间序列的自回归模型与序贯变点检测。
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
含外生变量的组成时间序列序贯变点检测
- 研究问题
- 面对不断到达的比例型时间序列观测，如何在允许外生变量影响的同时，序贯检验原有模型是否发生变化？
- 方法与思路
- 作者提出可纳入外生变量的广义 Beta AR(1) 模型，研究部分最大似然估计，并据此构造参数化序贯变点检测方法。
- 材料陈述的贡献
- 摘要称证明了序列的严格平稳性与几何遍历性、部分估计量的一致性和渐近正态性，并以新冠阳性率序列说明检测方法。
- 阅读关注点
- 应核对平稳性及外生变量条件、部分似然的构造、监测阈值与误报控制，以及模型能处理的比例维度和具体变化类型。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明相关定理条件、检测功效或多维组成数据的适用范围。
原文摘要
Sequential change-point detection for time series enables us to sequentially check the hypothesis that the model still holds as more and more data are observed. It is widely used in data monitoring in practice. In this work, we consider sequential change-point detection for compositional time series, time series in which the observations are proportions. For fitting compositional time series, we propose a generalized Beta AR(1) model, which can incorporate exogenous variables upon which the time series observations are dependent. We show the compositional time series are strictly stationary and geometrically ergodic and consider maximum likelihood estimation for model parameters. We show the partial MLEs are consistent and asymptotically normal and propose a parametric sequential change-point detection method for the compositional time series model. The change-point detection method is illustrated using a time series of Covid-19 positivity rates.