Narrowest Significance Pursuit: Inference for Multiple Change-Points in Linear Models
最窄显著区间搜寻：线性模型中的多变点推断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：研究直接针对数据序列中线性模型参数的突变及多变点区间推断。
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
最窄显著区间搜寻：线性模型中的多变点推断
- 研究问题
- 如何在预先指定的全局显著性水平下，自动寻找各自包含线性模型参数突变的局部区间，并处理未知的变点数量？
- 方法与思路
- 作者提出最窄显著区间搜寻方法，以随机界构造含变点的局部区域，适配多种误差分布，并强调先推断再选择的分析顺序。
- 材料陈述的贡献
- 摘要称，该方法给出直接导向目标覆盖概率的随机界，保证不依赖回归变量的形式或数量，并提供 R 包实现。
- 阅读关注点
- 应核对全局显著性与区间覆盖事件的定义、误差分布要求，以及多区间搜索和后续选择如何保留所述概率保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；适用误差条件、搜索细节及区间定位精度未说明，不能推断刊本变化。
原文摘要
We propose Narrowest Significance Pursuit (NSP), a general and flexible methodology for automatically detecting localised regions in data sequences which each must contain a change-point (understood as an abrupt change in the parameters of an underlying linear model), at a prescribed global significance level. NSP works with a wide range of distributional assumptions on the errors, and guarantees important stochastic bounds which directly yield exact desired coverage probabilities, regardless of the form or number of the regressors. In contrast to the widely studied “post-selection inference” approach, NSP paves the way for the concept of “post-inference selection”. An implementation is available in the R package nsp.