$\ell^2$ Inference for Change Points in High-Dimensional Time Series via a Two-Way MOSUM
利用双向 MOSUM 推断高维时间序列的变点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：摘要明确研究高维时间序列的结构突变、多重变点检测与非平稳过程。
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…
利用双向 MOSUM 推断高维时间序列的变点
- 研究问题
- 摘要研究高维时间序列中的多重变点检测，重点关注稠密、空间聚集或仅出现于少数组别的弱变化信号。
- 方法与思路
- 作者以 ℓ² 范数横截面聚合移动和统计量，再沿时间取最大值，并用时空移动区域构造双向 MOSUM 和高维高斯近似。
- 材料陈述的贡献
- 摘要称建立检验变化存在性的极限分布，模拟显示对非稀疏弱信号有良好表现，并提供股票收益与美国疫情案例应用。
- 阅读关注点
- 应核对时间与空间窗口选择、非平稳依赖条件、临界值计算，以及多变点定位程序与变化存在性检验之间的区别。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列完整近似条件、检测边界及应用中的变点结果。
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 $\ell^2$-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 $\ell^2$-aggregated statistic is established for testing break existence by extending a high-dimensional Gaussian approximation theorem to spatial-temporal non-stationary processes. Simulation studies exhibit promising performance of our test in detecting non-sparse weak signals. Two applications, analyzing equity returns and COVID-19 cases in the United States, showcase the real-world relevance of our proposed algorithms.