Sequential Procedures for Detecting Parameter Changes in a Time-Series Model
检测时间序列模型参数变化的序贯程序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：摘要明确以 ARIMA 时间序列为对象，利用序贯程序检测模型参数变化。
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
检测时间序列模型参数变化的序贯程序
- 研究问题
- 如何持续监测时间序列模型的预测误差，以序贯方式发现 ARIMA 参数变化，并近似描述相应检测统计量的分布？
- 方法与思路
- 作者提出由累积和构成的似然比监测统计量，扩展 Page 方法以检测 ARIMA 参数变化，并借助极限 Wiener 过程近似分布。
- 材料陈述的贡献
- 摘要称，论文给出面向 ARIMA 参数变化的序贯检测程序及统计量分布近似，并提供一个例子说明该监测方法。
- 阅读关注点
- 应核对被监测参数、变化类型、预测误差的构造和阈值选择，尤其关注 Wiener 过程近似条件、误报控制与检测延迟。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；阈值、近似条件和检测性能未说明，不能据此判断实际有效性或刊本变化。
原文摘要
Procedures are proposed for monitoring forecast errors in order to detect changes in a time-series model. These procedures are based on likelihood ratio statistics which consist of cumulative sums. An extension of Page's method is presented which tests for changes in the parameter values of autoregressive integrated moving average (arima) models. The distributional properties of the statistics are approximated under the assumption that the series follows an integrated autoregressive moving average model. This approximation is based on the limiting Wiener process. An example is also given.