Use of Cumulative Sums of Squares for Retrospective Detection of Changes of Variance
利用平方累积和回顾检测方差变化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：摘要直接研究序列方差的多个变化点及其回顾检测，对应结构变化方法，但未提供金融波动率模型。
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
利用平方累积和回顾检测方差变化
- 研究问题
- 独立观测序列的方差存在多个变化点时，如何以较低计算成本回顾定位这些变化，并评估检测表现？
- 方法与思路
- 作者提出迭代平方累积和算法，研究中心化平方累积和函数，并通过模拟与贝叶斯方法及似然比检验比较。
- 材料陈述的贡献
- 摘要称，在约二百个观测及以上的中等规模序列中，该算法取得可比结果，同时避免比较方法的较重计算负担。
- 阅读关注点
- 应核对独立性与分布条件、检测阈值、迭代与停止规则，并检查比较中的误报率、定位精度和计算成本。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；可比表现来自文中比较，不能推广到序列相关、条件异方差或任意样本量。
原文摘要
This article studies the problem of multiple change points in the variance of a sequence of independent observations. We propose a procedure to detect variance changes based on an iterated cumulative sums of squares (ICSS) algorithm. We study the properties of the centered cumulative sum of squares function and give an intuitive basis for the ICSS algorithm. For series of moderate size (i.e., 200 observations and beyond), the ICSS algorithm offers results comparable to those obtained by a Bayesian approach or by likelihood ratio tests, without the heavy computational burden required by these approaches. Simulation results comparing the ICSS algorithm to other approaches are presented.