ℓ2 inference for change points in high-dimensional time series via a Two-Way MOSUM
通过双向MOSUM对高维时间序列变点进行ℓ2推断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：摘要明确研究高维时间序列的多个变点，并构造时空扫描统计量与变化存在性检验。
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…
通过双向MOSUM对高维时间序列变点进行ℓ2推断
- 研究问题
- 如何在高维时间序列中检测多个变点，尤其是稠密弱信号或空间聚集信号，并提高仅少数组发生变化时的检验能力？
- 方法与思路
- 作者对移动和统计量进行横截面ℓ2聚合并沿时间最大化，进一步利用时空移动区域构造双向MOSUM搜索变化。
- 材料陈述的贡献
- 摘要称，通过扩展高维高斯近似建立检验统计量的极限分布，模拟展示非稀疏弱信号检测表现，并提供两个实际应用。
- 阅读关注点
- 核对时空依赖和非平稳条件、移动窗口与分组选择、检验阈值，以及多变点检测和定位所获理论保证的区别。
- 阅读边界
- 仅依据版本未注明的OpenAlex索引摘要；具体条件、模拟数值和定位保证未说明，R包的当前可用性也未核验。
原文摘要
We propose an inference method for detecting multiple change points in high-dimensional time series, targeting dense or spatially clustered signals. Our method aggregates moving sum (MOSUM) statistics cross-sectionally by an ℓ2-norm and maximizes them over time. We further introduce a novel Two-Way MOSUM, which utilizes spatial-temporal moving regions to search for breaks, with the added advantage of enhancing testing power when breaks occur in only a few groups. The limiting distribution of an ℓ2-aggregated statistic is established for testing break existence by extending a high-dimensional Gaussian approximation theorem to spatial-temporal nonstationary processes. Simulation studies exhibit promising performance of our test in detecting nonsparse weak signals. Two applications on equity returns and COVID-19 cases in the United States show the real-world relevance of our algorithms. The R package “L2hdchange” is available on CRAN.