A General Framework for Constructing Locally Self-Normalized Multiple-Change-Point Tests
局部自归一化多变点检验的一般构造框架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：摘要直接提出用于时间序列数据的多变点检验，核心问题是结构变化检测。
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…
关注这篇论文的作者
局部自归一化多变点检验的一般构造框架
- 研究问题
- 如何将已有单变点检测统计量转化为时间序列多变点检验，并减少对干扰参数估计、带宽选择及预先指定变点数量的依赖？
- 方法与思路
- 作者以用户指定的单变点统计量为构件，构造局部自归一化多变点检验，可纳入累积和、抗异常值秩统计量和次序统计量。
- 材料陈述的贡献
- 摘要称检验无需一致估计干扰参数、选择带宽或预设变点数；有限样本研究报告尺寸准确、对备择误设稳健且功效较高。
- 阅读关注点
- 应核对局部区间与归一化项的构造、单变点统计量须满足的条件，以及临界值计算、尺寸表现和不同备择下的功效比较。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；有效性条件和比较范围未说明，摘要的稳健性与功效陈述不能推广至任意统计量或推断刊本变化。
原文摘要
–We propose a general framework to construct self-normalized multiple-change-point tests with time series data. The only building block is a user-specified single-change-detecting statistic, which covers a large class of popular methods, including the cumulative sum process, outlier-robust rank statistics, and order statistics. The proposed test statistic does not require robust and consistent estimation of nuisance parameters, selection of bandwidth parameters, nor pre-specification of the number of change points. The finite-sample performance shows that the proposed test is size-accurate, robust against misspecification of the alternative hypothesis, and more powerful than existing methods. Case studies of the Shanghai-Hong Kong Stock Connect turnover are provided.