Inference on breaks in weak location time series models with the estimating function approach
基于估计函数的弱条件位置时间序列模型断点推断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：摘要明确研究时间序列动态的断点检测、CUSUM 统计量及结构变化推断。
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…
基于估计函数的弱条件位置时间序列模型断点推断
- 研究问题
- 在仅规定条件均值参数形式、其他生成机制和条件矩不作具体设定时，如何检测时间序列动态变化并处理均值模型误设？
- 方法与思路
- 作者基于 Godambe 估计函数理论构造 CUSUM 和最小成本分割统计量，以数据驱动方式选择权重，并研究应对均值误设的修正版。
- 材料陈述的贡献
- 摘要称，方法给出 Godambe 意义下的最优权重选择，扩展到均值误设下的动态断点检测，并开展局部渐近功效比较与金融数据应用。
- 阅读关注点
- 应核对弱条件实际包含的依赖和矩要求、权重最优性的准则，以及均值误设时可检出的变化类型和局部功效比较条件。
- 阅读边界
- 仅据所给出版社摘要，弱条件和误设容许范围并未列明；不指定完整生成机制不代表无需正则条件，有限样本效果也无法量化。
原文摘要
Drawing on Godambe’s theory of estimating functions, we present a statistical approach for identifying breaks in time series dynamics under weak assumptions. We assume a parametric form for the conditional mean but make no specific assumptions about the data-generating process (DGP), nor about the other conditional moments. The cumulative sum (CUSUM) statistics and segmentation of minimal cost (SMC) statistics that we consider depend on a sequence of weights that influence their asymptotic accuracy. We propose data-driven procedures for the optimal choice of the sequence of weights in Godambe’s sense. We also study modified versions of the tests that can detect breaks in the dynamics even when the conditional mean is misspecified. Local asymptotic power comparisons with other tests are also proposed. Our results are illustrated using Monte Carlo experiments and real financial data.