Fast on-line changepoint detection using heavily-weighted CUSUM and veto-based decision rules
基于重加权 CUSUM 与否决式决策规则的快速在线变点检测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。
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：摘要直接研究弱依赖时间序列中回归关系的在线结构变化检测。
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…
基于重加权 CUSUM 与否决式决策规则的快速在线变点检测
- 研究问题
- 在线监测线性回归关系时，如何及时发现监测初期的变化，并兼顾其他变化位置的检测速度与整体误报控制？
- 方法与思路
- 作者对回归残差的 CUSUM 过程施加较重权重，并组合不同权重的统计量，以其中最大者触发变点判定。
- 材料陈述的贡献
- 摘要称在一般弱依赖条件下建立理论，模拟和金融数据应用显示方法能够控制程序整体第一类错误并缩短检测延迟。
- 阅读关注点
- 应核对权重函数、监测起点和停止规则，以及多权重组合的临界值如何保证整体错误控制和不同位置的检测性能。
- 阅读边界
- 仅据所给 OpenAlex 摘要，弱依赖条件、误报水平及延迟数值均未说明，不能确认对所有经济金融序列均适用。
原文摘要
We study on-line changepoint detection in the context of a linear regression model, developing two novel contributions. Firstly, we propose a class of heavily weighted statistics based on the CUSUM process of the regression residuals, which are specifically designed to ensure timely detection of breaks occurring early on during the monitoring horizon. Secondly, we develop a class of composite statistics using different weighting schemes; the decision rule to mark a changepoint is based on the largest statistic across the various weights, thus effectively working like a “veto-based” voting mechanism, which ensures fast detection irrespective of the location of the changepoint. Our theory is derived under a very general form of weak dependence, thus being able to apply our tests to virtually all time series encountered in economics, finance, and other applied sciences. Monte Carlo simulations and an application to financial data show that our methodologies are able to control the procedure-wise Type I Error, and have short detection delays in the presence of breaks.