On consistency of minimum description length model selection for piecewise autoregressions
分段自回归模型中最小描述长度选择的一致性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：摘要直接讨论非平稳时间序列的分段自回归建模，以及结构断点数量和位置的选择一致性。
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…
分段自回归模型中最小描述长度选择的一致性
- 研究问题
- 研究使用最小描述长度选择分段自回归模型时，方差估计方式为何会影响结构断点数量的一致性，甚至产生不一致结果。
- 方法与思路
- 作者比较条件高斯极大似然与 Yule–Walker 方差估计，利用泰勒展开中一阶项能否精确抵消解释模型选择性质的差异。
- 材料陈述的贡献
- 摘要指出使用 Yule–Walker 方差估计时，断点数量估计一般不一致，并将这一现象归因于其缺少条件极大似然情形的一阶抵消。
- 阅读关注点
- 应核对 MDL 准则、两种方差估计的展开与余项控制，并区分无断点 AR(p) 的详细论证和一般分段模型结论的依据。
- 阅读边界
- 本导读限于所给出版社摘要；作者仅详细处理无断点 AR(p) 情形，摘要未列出一般结果的具体条件与证明范围。
原文摘要
The Auto-PARM (Automatic Piecewise AutoRegressive Modeling) procedure, developed by Davis et al. (2006), uses the minimum description length (MDL) principle to estimate the number and locations of structural breaks in a non-stationary time series. Consistency of this model selection procedure has been established when using conditional maximum (Gaussian) likelihood variance estimates. In contrast, the estimate of the number of change-points is inconsistent in general if Yule–Walker variance estimates are used instead. This surprising result is due to an exact cancellation of first-order terms in a Taylor series expansion in the conditional maximum likelihood case, which does not occur in the Yule–Walker case. In order to simplify notation and make the arguments more transparent, we only treat in detail the simple case where the time series follows an AR(p) model with no change-points.