Change-Point Detection in Time Series Using Mixed Integer Programming
利用混合整数规划检测时间序列变点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回归中的结构断点检测、定位及联合估计。
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…
利用混合整数规划检测时间序列变点
- 研究问题
- 如何在时间序列回归中联合估计结构断点的数量、位置与回归系数，并为断点数量约束提供可求解的优化框架？
- 方法与思路
- 作者将惩罚断点数量的最小二乘问题改写为包含整数和连续变量的二次规划，使用混合整数优化求解并分析渐近性质。
- 材料陈述的贡献
- 摘要称，该框架可获得可证明最优的解，并允许联合估计或约束断点数量；数值实验报告多断点估计较所用替代方法准确。
- 阅读关注点
- 应核对惩罚参数、整数规划构造及最优性证书，区分优化最优性与统计一致性，并检查断点间距要求和计算规模。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法判断大规模计算可行性或普遍精度优势；具体渐近条件与数值未说明，刊本变化亦不可推断。
原文摘要
We use cutting-edge mixed integer optimization (MIO) methods to develop a framework for detection and estimation of structural breaks in time series regression models. The framework is constructed based on the least squares problem subject to a penalty on the number of breakpoints. We restate the l0-penalized regression problem as a quadratic programming problem with integer- and real-valued arguments and show that MIO is capable of finding provably optimal solutions using a well-known optimization solver. Compared to the popular l1-penalized regression (LASSO) and other classical methods, the MIO framework permits simultaneous estimation of the number and location of structural breaks as well as regression coefficients, while accommodating the option of specifying a given or minimal number of breaks. We derive the asymptotic properties of the estimator and demonstrate its effectiveness through extensive numerical experiments, confirming a more accurate estimation of multiple breaks as compared to popular non-MIO alternatives. Two empirical examples demonstrate usefulness of the framework in applications from business and economic statistics.