On changepoint detection in functional data using empirical energy distance
利用经验能量距离检测函数型数据的变点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：摘要研究依赖函数型序列的分布变点检测与多变点定位。
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…
利用经验能量距离检测函数型数据的变点
- 研究问题
- 对具有依赖性的多变量函数型观测，如何检测均值乃至整个分布的变化，并提高对样本起点或终点附近变点的敏感性？
- 方法与思路
- 作者推广经验能量距离，构造其过程的加权泛函检验；利用协方差函数特征值计算极限分布，并以二分分割定位多个变点。
- 材料陈述的贡献
- 摘要称方法覆盖较一般的分布变化，能够检测非常靠近样本边界的变点，并提供多变点算法、模拟及金融和温度数据应用。
- 阅读关注点
- 应核对观测依赖与矩条件、权重选择、协方差特征值估计，以及边界变点的可检测距离和多变点分割的理论保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未提供检测率和有限样本数值，不能推断所有分布变化都同样容易检测。
原文摘要
We propose a novel family of test statistics to detect the presence of changepoints in a sequence of dependent, possibly multivariate, functional-valued observations. Our approach allows to test for a very general class of changepoints, including the "classical" case of changes in the mean, and even changes in the whole distribution. Our statistics are based on a generalisation of the empirical energy distance; we propose weighted functionals of the energy distance process, which are designed in order to enhance the ability to detect breaks occurring at sample endpoints. The limiting distribution of the maximally selected version of our statistics requires only the computation of the eigenvalues of the covariance function, thus being readily implementable in the most commonly employed packages, e.g. R. We show that, under the alternative, our statistics are able to detect changepoints occurring even very close to the beginning/end of the sample. In the presence of multiple changepoints, we propose a binary segmentation algorithm to estimate the number of breaks and the locations thereof. Simulations show that our procedures work very well in finite samples. We complement our theory with applications to financial and temperature data.