Inference for Multiple Change-points in Piecewise Locally Stationary Time Series
分段局部平稳时间序列中多个变点的推断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。
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：摘要直接研究局部平稳时间序列中参数曲线的多个跳跃与折点。
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…
分段局部平稳时间序列中多个变点的推断
- 研究问题
- 当时间序列的依赖结构同时发生平滑变化和突变时，如何识别多个变点，并区分参数曲线中的不连续跳跃与连续折点？
- 方法与思路
- 作者提出基于似然的局部平稳时间序列变点推断程序，将变化对象设为参数曲线，分别研究跳跃和折点的估计与渐近分布。
- 材料陈述的贡献
- 摘要称方法可一致估计变点数量、位置和类型，建立两类位置估计量的不同渐近分布，并提供模拟及金融时间序列应用。
- 阅读关注点
- 应核对局部平稳模型、跳跃与折点的数学定义，以及变点数量选择、定位精度和两类渐近分布各自需要的条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明最小变化强度、变点间距等适用限制，也未给出模拟数值。
原文摘要
Change-point detection and locally stationary time series modeling are two major approaches for the analysis of non-stationary data. The former aims to identify stationary phases by detecting abrupt changes in the dynamics of a time series model, while the latter employs (locally) time-varying models to describe smooth changes in dependence structure of a time series. However, in some applications, abrupt and smooth changes can co-exist, and neither of the two approaches alone can model the data adequately. In this paper, we propose a novel likelihood-based procedure for the inference of multiple change-points in locally stationary time series. In contrast to traditional change-point analysis where an abrupt change occurs in a real-valued parameter, a change in locally stationary time series occurs in a parameter curve, and can be classified as a jump or a kink depending on whether the curve is discontinuous or not. We show that the proposed method can consistently estimate the number, locations, and the types of change-points. Two different asymptotic distributions corresponding respectively to jump and kink estimators are also established. Extensive simulation studies and a real data application to financial time series are provided.