A pairwise likelihood-based approach for changepoint detection in multivariate time series models
基于成对似然的多元时间序列变点检测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：摘要明确研究多元时间序列中的多个变点及分段模型选择，直接对应时间序列与结构变化方法。
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
基于成对似然的多元时间序列变点检测
- 研究问题
- 作者研究如何在多元时间序列中同时估计多个变点的数量和位置，并为各分段选择模型，使统计估计与计算可行性兼顾。
- 方法与思路
- 作者结合成对复合似然与最小描述长度构造准则，联合处理变点和分段模型选择，并利用剪枝动态规划算法进行计算。
- 材料陈述的贡献
- 摘要称，在一定条件下变点数量与位置可一致估计；剪枝算法提高计算效率，模拟和真实数据例子展示统计与计算表现。
- 阅读关注点
- 应核对成对似然的配对方式、描述长度惩罚、最小分段长度与变点信号条件，以及动态规划剪枝的有效性和比较基准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所谓温和条件的具体内容和数值表现未说明，不能推断刊本变化。
原文摘要
This paper develops a composite likelihood-based approach for multiple changepoint estimation in multivariate time series. We derive a criterion based on pairwise likelihood and minimum description length for estimating the number and locations of changepoints and for performing model selection in each segment. The number and locations of the changepoints can be consistently estimated under mild conditions and the computation can be conducted efficiently with a pruned dynamic programming algorithm. Simulation studies and real data examples demonstrate the statistical and computational efficiency of the proposed method.