Changepoint Detection in Heteroscedastic Random Coefficient Autoregressive Models
异方差随机系数自回归模型的变点检测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。
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：摘要直接研究随机系数自回归序列的参数变点及 CUSUM 检验，对应时间序列和结构变化。
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
异方差随机系数自回归模型的变点检测
- 研究问题
- 如何检测随机系数自回归中自回归参数确定性部分的变化，同时应对未知平稳性、条件波动、方差变化及样本端点断点？
- 方法与思路
- 作者提出一族 CUSUM 检验，以加权统计量增强端点检测，推导标准化 CUSUM 和更重权重 Rényi 统计量的渐近结果。
- 材料陈述的贡献
- 摘要称检验无需预先知道平稳性或方差变化类型，给出广泛权重方案的渐近理论，并通过模拟和金融序列应用展示表现。
- 阅读关注点
- 应核对平稳与非平稳情形的统一条件、非独立同分布误差的允许范围，以及权重对端点功效和临界值的影响。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能理解为对任意异方差或非平稳过程均有效；条件与有限样本数值未说明，未核对刊本变化。
原文摘要
We propose a family of CUSUM-based statistics to detect the presence of changepoints in the deterministic part of the autoregressive parameter in a Random Coefficient Autoregressive (RCA) sequence. Our tests can be applied irrespective of whether the sequence is stationary or not, and no prior knowledge of stationarity or lack thereof is required. Similarly, our tests can be applied even when the error term and the stochastic part of the autoregressive coefficient are non iid, covering the cases of conditional volatility and shifts in the variance, again without requiring any prior knowledge as to the presence or type thereof. In order to ensure the ability to detect breaks at sample endpoints, we propose weighted CUSUM statistics, deriving the asymptotics for virtually all possible weighing schemes, including the standardized CUSUM process (for which we derive a Darling-Erdős theorem) and even heavier weights (so-called Rényi statistics). Simulations show that our procedures work very well in finite samples. We complement our theory with an application to several financial time series.