Online Change-point Detection for Matrix-valued Time Series with Latent Two-way Factor Structure
潜在双向因子结构下矩阵时间序列的在线变点检测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。
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：摘要直接研究矩阵时间序列、潜在双向因子结构和在线变点检测，分别对应时间序列、因子模型与结构变化。
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…
潜在双向因子结构下矩阵时间序列的在线变点检测
- 研究问题
- 如何在线监测大型矩阵时间序列的双向因子结构变化，并利用变点后共同因子与尖峰特征值数量增加的现象构造检测程序？
- 方法与思路
- 作者监测首个非尖峰特征值是否发散，将估计特征值随机化形成序列，再分别使用部分和波动与极值理论设计在线检测程序。
- 材料陈述的贡献
- 摘要称随机化序列在无变点时为零均值独立同分布正态序列，而有变点时趋向正无穷，并以模拟和实证分析支持检测理论。
- 阅读关注点
- 应核对可检测的因子结构变化类型、维度与样本增长条件、随机化分布结论，以及监测阈值、误报控制和检测延迟。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明完整假设、阈值公式和数值结果，无法判断有限样本中的误报与延迟。
原文摘要
This paper proposes a novel methodology for the online detection of changepoints in the factor structure of large matrix time series. Our approach is based on the well-known fact that, in the presence of a changepoint, a factor model can be rewritten as a model with a larger number of common factors. In turn, this entails that, in the presence of a changepoint, the number of spiked eigenvalues in the second moment matrix of the data increases. Based on this, we propose two families of procedures - one based on the fluctuations of partial sums, and one based on extreme value theory - to monitor whether the first non-spiked eigenvalue diverges after a point in time in the monitoring horizon, thereby indicating the presence of a changepoint. Our procedure is based only on rates; at each point in time, we randomise the estimated eigenvalue, thus obtaining a normally distributed sequence which is $i.i.d.$ with mean zero under the null of no break, whereas it diverges to positive infinity in the presence of a changepoint. We base our monitoring procedures on such sequence. Extensive simulation studies and empirical analysis justify the theory.