Sequential monitoring for changes from stationarity to mild non-stationarity
从平稳到轻度非平稳变化的序贯监测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：摘要明确研究时间序列平稳性变化，并应用于宏观生产序列与标普指数波动率监测。
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…
从平稳到轻度非平稳变化的序贯监测
- 研究问题
- 如何在线发现时间序列从平稳状态向平稳边界附近变化，并刻画均值、波动率及单位根行为变化后的检测等待时间？
- 方法与思路
- 作者构造序贯累积和与KPSS型检测过程，研究ARMA和GARCH参数趋近平稳边界的变化模型，并结合模拟与应用。
- 材料陈述的贡献
- 摘要称检验对多种变化模型具有一致检测能力，并给出若干模型下检测时间的局部渐近描述，覆盖多种非平稳特征。
- 阅读关注点
- 应核对监测起点、阈值与误报控制方式，区分不同变化类型的局部渐近设定，并检查检测延迟与变化幅度的关系。
- 阅读边界
- 仅据所给出版社摘要，无法判断具体监测窗口和阈值的选择效果；摘要未给出模拟中的误报率、检测延迟或应用数值。
原文摘要
We develop and study sequential testing procedures á la Chu et al. (1996) for on-line detection of changes in a time series from stationarity to mild forms of non-stationarity. The proposed tests are based on sequential CUSUM and KPSS-type detector processes, and are shown to provide consistent detection under a wide range of change point models, including changes in the parameters of ARMA and GARCH series from values within the model’s stationarity parameter region to values close (converging) to the stationarity boundary. Local asymptotic results are established giving precise descriptions of the time to detection under several of these models, which show that such procedures are powerful to detect a wide range of non-stationary characteristics, including changes in mean, volatility, and unit root behaviour. The proposed methods are investigated by means of a simulation study and in applications to monitoring for changes in trend and unit root behaviour in macroeconomic production series, and to detect changes in volatility of the S&P-500 stock market index.