A Likelihood Ratio Approach to Sequential Change Point Detection for a General Class of Parameters
一般参数序贯变点检测的似然比方法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：摘要明确研究多维时间序列参数的序贯变点检测，包括均值、方差与相关结构变化。
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
一般参数序贯变点检测的似然比方法
- 研究问题
- 对于可由经验分布近似线性泛函估计的多维时间序列参数，如何进行预设监控期限内的序贯变化检测？
- 方法与思路
- 作者按似然比检验原则构建封闭终点监控方法，并引入自标准化避免估计长期方差，讨论均值、方差和相关变化。
- 材料陈述的贡献
- 摘要称检测方案在广泛检验问题中具有渐近显著性水平和一致性，模拟中优于比较程序，并以互联网泡沫指数价格示例。
- 阅读关注点
- 应核对近似线性表示、监控期限与初始样本的设定、自标准化条件，以及不同变化类型下的一致性和比较标准。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未给出适用参数类、依赖条件或变化幅度要求，模拟优势不能视为普遍优势，也不能推断刊本变化。
原文摘要
In this article, we propose a new approach for sequential monitoring of a general class of parameters of a d-dimensional time series, which can be estimated by approximately linear functionals of the empirical distribution function. We consider a closed-end method, which is motivated by the likelihood ratio test principle and compare the new method with two alternative procedures. We also incorporate self-normalization such that estimation of the long-run variance is not necessary. We prove that for a large class of testing problems the new detection scheme has asymptotic level α and is consistent. The asymptotic theory is illustrated for the important cases of monitoring a change in the mean, variance, and correlation. By means of a simulation study it is demonstrated that the new test performs better than the currently available procedures for these problems. Finally, the methodology is illustrated by a small data example investigating index prices from the dot-com bubble. Supplementary materials for this article are available online.