Nonparametric data segmentation in multivariate time series via joint characteristic functions
利用联合特征函数对多元时间序列进行非参数分段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。
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：摘要直接研究多元时间序列的分布和序列依赖变点，并明确包含经济时间序列应用。
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
利用联合特征函数对多元时间序列进行非参数分段
- 研究问题
- 对于多元时间序列，如何同时发现边际分布变化与可能非线性的序列依赖变化，而无需预先指定变化的类型？
- 方法与思路
- 作者利用时间序列及其滞后值之间的联合特征函数构造非参数分段方法，并研究变点数量和位置的估计。
- 材料陈述的贡献
- 摘要称该方法能够识别分布与依赖结构的变点，建立数量及位置估计的一致性，并以多类场景和实际序列展示表现。
- 阅读关注点
- 应核对滞后选择、分段准则、变点间距与变化强度条件，以及数量和位置一致性的含义、计算成本及比较基准。
- 阅读边界
- 仅据所给Crossref摘要，无法判断可检测变化的完整范围、定位误差和有限样本优势；经济序列应用细节未说明。
原文摘要
Summary Modern time series data often exhibit complex dependence and structural changes that are not easily characterized by shifts in the mean or model parameters. We propose a nonparametric data segmentation methodology for multivariate time series. By considering joint characteristic functions between the time series and its lagged values, our proposed method is able to detect changepoints in the marginal distribution, but also those in possibly nonlinear serial dependence, all without the need to prespecify the type of changes. We show the theoretical consistency of our method in estimating the total number and the locations of the changepoints, and demonstrate its good performance against a variety of changepoint scenarios. We further demonstrate its usefulness in applications to seismology and economic time series.