Change-Point Detection for Heterogeneous High-Dimensional Functional Time Series
异质高维函数型时间序列的变点检测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。
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：摘要直接研究具有时间顺序的高维函数数据及异质结构变点，支持时间序列和结构变化分类。
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
异质高维函数型时间序列的变点检测
- 研究问题
- 高维函数型面板中，各个体变化稀疏或方向相反时，如何避免横截面均值抵消信号，并识别异质变点及其分组？
- 方法与思路
- 作者结合个体平方 CUSUM 能量与广义功效增强构造 Energy–PE，并以信息准则聚类估计潜在组数和成员。
- 材料陈述的贡献
- 摘要称建立了统计量的渐近性质，数值研究及日内股票应用显示其控制检验尺寸，并提高稀疏和异号变化下的功效。
- 阅读关注点
- 应核对函数观测与时序依赖条件、功效增强的阈值设置、变点与分组估计的误差，以及比较实验的信号配置。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出正则条件、误差界及检验与聚类表现的具体数值。
原文摘要
High-dimensional functional panels consist of temporally ordered curves observed across many subjects and naturally exhibit heterogeneous structural changes. Under sparse subject-level break signals or opposite-signed shifts, traditional mean-aggregated CUSUM procedures may suffer noticeable power loss due to signal attenuation or cancellation induced by cross-sectional averaging. We propose a novel Energy--PE statistic, which combines subject-wise squared CUSUM energy aggregation with a generalized power-enhancement component. The energy aggregation preserves subject-level evidence under sign-heterogeneous changes, while the power-enhancement component improves sensitivity to sparse weak break signals. Under regularity conditions, we establish the asymptotic behavior of the proposed statistic. We further incorporate a latent group structure and an information-criterion-based clustering algorithm to estimate the unknown group number and membership for heterogeneous break points. Numerical studies and an intraday stock application demonstrate that Energy--PE controls size, improves power under sparse and sign-heterogeneous alternatives, and yields interpretable post-test summaries.