Nonparametric maximum likelihood approach to multiple change-point problems
多变点问题的非参数最大似然方法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：摘要直接研究数据序列的多重分布变点与结构变化检测，符合结构变化方向。
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…
多变点问题的非参数最大似然方法
- 研究问题
- 研究数据序列的均值、尺度或整体分布发生多次变化时，如何在变点数量未知且不设分布参数形式的情况下估计数量与位置。
- 方法与思路
- 作者构造非参数最大似然方法，以贝叶斯信息准则选择变点数，利用动态规划和似然顺序结构估计位置，并提出预筛选程序。
- 材料陈述的贡献
- 摘要称，在所述条件下一致估计可达最优速率，预筛选减少无关候选点，模拟显示变点识别精度与计算时间表现令人满意。
- 阅读关注点
- 应核对段内数据依赖、最小段长和变化幅度条件，以及信息准则、预筛选和动态规划各自对一致性与计算量的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所谓温和条件、最优速率及模拟数值未说明，不能推断其适用于任意相关或弱变化序列。
原文摘要
In multiple change-point problems, different data segments often follow different distributions, for which the changes may occur in the mean, scale or the entire distribution from one segment to another. Without the need to know the number of change-points in advance, we propose a nonparametric maximum likelihood approach to detecting multiple change-points. Our method does not impose any parametric assumption on the underlying distributions of the data sequence, which is thus suitable for detection of any changes in the distributions. The number of change-points is determined by the Bayesian information criterion and the locations of the change-points can be estimated via the dynamic programming algorithm and the use of the intrinsic order structure of the likelihood function. Under some mild conditions, we show that the new method provides consistent estimation with an optimal rate. We also suggest a prescreening procedure to exclude most of the irrelevant points prior to the implementation of the nonparametric likelihood method. Simulation studies show that the proposed method has satisfactory performance of identifying multiple change-points in terms of estimation accuracy and computation time.