Change-point estimation for Weibull time series with copula-based Markov models
基于 Copula 马尔可夫模型的 Weibull 时间序列变点估计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：摘要研究时间序列变点及依赖结构变化，并明确以 VIX 波动率指数作为实证应用。
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 Copula 马尔可夫模型的 Weibull 时间序列变点估计
- 研究问题
- 对于具有非线性序列依赖的非负时间序列，如何定位边际分布或依赖结构的变化，并评估变点估计的不确定性？
- 方法与思路
- 作者结合 Weibull 边际分布与 Clayton、Joe Copula 构造马尔可夫模型，以极大似然估计变点及参数，并用参数自助法构造区间。
- 材料陈述的贡献
- 摘要称，模拟考察了依赖结构和 Copula 错设下的表现，变点估计误差表现良好，并以疫情期间 VIX 数据展示应用。
- 阅读关注点
- 全文应核对变点数量与位置限制、边际和依赖参数的变化设定，以及自助区间在离散变点参数下的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未报告具体误差或变点位置，VIX 应用也不能证明所有错设下均稳健。
原文摘要
We study offline change-point estimation for time series data exhibiting nonlinear serial dependence. To address this problem, we propose a copula-based Markov chain model with Weibull marginal distributions, which is suitable for modeling nonnegative data such as event times and volatility measures. Nonlinear dependence is incorporated through the Clayton and Joe copulas, allowing the model to capture asymmetric lower-tail and upper-tail dependence structures, respectively. We derive the corresponding likelihood function and estimate the change point and model parameters using maximum likelihood estimation implemented through the Newton--Raphson algorithm. Confidence intervals are constructed via a parametric bootstrap Monte Carlo procedure. Extensive numerical studies are conducted to evaluate the finite-sample performance and robustness of the proposed method under different dependence structures and copula misspecification scenarios. The results demonstrate that the proposed estimators perform well in terms of RMSE and relative error, particularly for the estimation of the change point. An empirical application to the VIX index during the COVID-19 pandemic further illustrates the practical usefulness of the proposed approach in detecting structural changes in both the marginal distributions and serial dependence structure.