Multiple Change Point Detection in Structured VAR Models: the VARDetect R Package
结构化 VAR 模型的多变点检测：VARDetect R 包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：摘要明确处理分段平稳 VAR 的自回归动态变化和多变点检测，但未讨论结构冲击识别或经济网络干扰。
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…
结构化 VAR 模型的多变点检测：VARDetect R 包
- 研究问题
- 当多变量时间序列的自回归转移矩阵发生多次变化时，如何针对不同矩阵结构实现计算可行的变点检测？
- 方法与思路
- 作者介绍 VARDetect R 包，为分段平稳 VAR 提供两类算法，分别面向结构稀疏矩阵和低秩加稀疏分解矩阵。
- 材料陈述的贡献
- 摘要称两类算法对时间点数量分别具有次线性和线性计算复杂度，软件还支持相关模型的数据生成与网络布局可视化。
- 阅读关注点
- 应核对复杂度计算包含哪些步骤、两类矩阵结构的约束，以及变点数量、位置和分段参数如何估计与验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出检测精度、适用条件或软件当前可用状态。
原文摘要
Vector Auto-Regressive (VAR) models capture lead-lag temporal dynamics of multivariate time series data. They have been widely used in macroeconomics, financial econometrics, neuroscience and functional genomics. In many applications, the data exhibit structural changes in their autoregressive dynamics, which correspond to changes in the transition matrices of the VAR model that specify such dynamics. We present the R package VARDetect that implements two classes of algorithms to detect multiple change points in piecewise stationary VAR models. The first exhibits sublinear computational complexity in the number of time points and is best suited for structured sparse models, while the second exhibits linear time complexity and is designed for models whose transition matrices are assumed to have a low rank plus sparse decomposition. The package also has functions to generate data from the various variants of VAR models discussed, which is useful in simulation studies, as well as to visualize the results through network layouts.