From sparse to dense functional time series: phase transitions of detecting structural breaks and beyond
从稀疏到稠密的函数型时间序列：结构突变检测的相变及拓展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：摘要直接研究函数型时间序列均值的突变检验、断点估计与跳跃幅度推断，支持时间序列和结构变化两个方向。
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
从稀疏到稠密的函数型时间序列：结构突变检测的相变及拓展
- 研究问题
- 对采用不同密度和方式采样的函数型时间序列，如何检测均值函数突变，并估计断点位置及突变幅度？
- 方法与思路
- 作者以 B 样条平滑构造累积和过程及两类范数检验统计量，推导零假设和局部备择下的渐近分布与采样密度相变边界。
- 材料陈述的贡献
- 摘要称，方法提供断点估计收敛率和基于估计断点的跳跃幅度推断，覆盖稀疏至稠密观测，并用于电价及温度数据。
- 阅读关注点
- 应核对时间依赖与采样机制限制、样条维度选择、相变边界的定义，以及使用估计断点进行幅度推断时如何处理不确定性。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未给出相变公式、具体收敛率和数值结果，不能据此评价有限样本表现。
原文摘要
We develop a novel methodology for detecting abrupt break points in mean functions of functional time series, adaptable to arbitrary sampling schemes. By employing B-spline smoothing, we introduce $\mathcal L_{\infty}$ and $\mathcal L_2$ test statistics statistics based on a smoothed cumulative summation (CUMSUM) process, and derive the corresponding asymptotic distributions under the null and local alternative hypothesis, as well as the phase transition boundary from sparse to dense. We further establish the convergence rate of the proposed break point estimators and conduct statistical inference on the jump magnitude based on the estimated break point, also applicable across sparsely, semi-densely, and densely, observed random functions. Extensive numerical experiments validate the effectiveness of the proposed procedures. To illustrate the practical relevance, we apply the developed methods to analyze electricity price data and temperature data.