Data Segmentation for Time Series Based on a General Moving Sum Approach
基于一般移动和方法的时间序列分段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：摘要明确研究时间序列多变点、回归变化和序列参数变化，直接对应结构变化与时间序列方法。
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
基于一般移动和方法的时间序列分段
- 研究问题
- 如何在统一框架下识别时间序列的多个变点，涵盖均值、线性回归关系与序列结构参数变化，并控制变点估计误差？
- 方法与思路
- 作者基于估计方程构建一般移动和理论，比较使用局部估计差异的 MOSUM-Wald 与使用全局估计的 MOSUM-score 统计量。
- 材料陈述的贡献
- 摘要称证明变点数量估计的一致性及位置估计的收敛速率，并指出得分型方法通常计算更简单，另提供模拟和测井数据应用。
- 阅读关注点
- 应核对窗口和阈值选择、变点间距及变化幅度条件、两类统计量适用范围，以及理论速率与实际定位误差的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出一致性条件和具体速率，不能认定对任意序列变化都适用。
原文摘要
In this paper we propose new methodology for the data segmentation, also known as multiple change point problem, in a general framework including classic mean change scenarios, changes in linear regression but also changes in the time series structure such as in the parameters of Poisson-autoregressive time series. In particular, we derive a general theory based on estimating equations proving consistency for the number of change points as well as rates of convergence for the estimators of the locations of the change points. More precisely, two different types of MOSUM (moving sum) statistics are considered: A MOSUM-Wald statistic based on differences of local estimators and a MOSUM-score statistic based on a global estimator. The latter is usually computationally less involved in particular in non-linear problems where no closed form of the estimator is known such that numerical methods are required. Finally, we evaluate the methodology by means of simulated data as well as using some geophysical well-log data.