Linear Estimators in Change Point Problems
变点问题中的线性估计量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：摘要研究一般一维与二维变点估计，未明确时间序列或宏观结构变化背景，故不强行归入宏观细分。
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
变点问题中的线性估计量
- 研究问题
- 当均值在未知位置发生跳跃时，依赖邻近参数平滑性的线性估计会承受多大总平方误差，与最小二乘估计有何差别？
- 方法与思路
- 作者考虑不相关且方差为一的观测，分析分段常数均值下线性估计的误差，并扩展到数据驱动核的自适应移位估计及二维问题。
- 材料陈述的贡献
- 摘要称，一维单变点下任一线性估计对某些参数的期望总平方误差为 √n 阶，相比之下最小二乘估计为常数阶。
- 阅读关注点
- 应核对误差阶对应的参数选择、跳跃与变点限制，查看自适应移位估计的覆盖范围，以及二维 n 的含义和误差阶结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所述线性估计误差针对某些参数取值，不能解释为所有配置均较差，二维细节未说明。
原文摘要
Observations $X_i$ are uncorrelated with means $\theta_i, i = 1,\cdots, n$, and variances 1. The linear estimators $\widehat{\theta} = T\mathbf{X}$, for some $n \times n$ matrix $T$, are widely used in smoothing problems, where it is assumed that neighbouring parameter values are similar. The smoothness assumption is violated in change point problems, where neighbouring parameter values are equal, except at some unspecified change points where there are jumps of unknown size from one parameter value to the next. In the case of a single change point in one dimension, for any linear estimator, the expected sum of squared errors between estimates and parameters is of order $\sqrt n$ for some choice of parameters, compared to order 1 for the least squares estimate. We show similar results for adaptive shift estimators, in which the linear estimator uses a kernel estimated from the data. Finally, for a change point problem in two dimensions, the expected sum of squared errors is of order $n^{3/4}$.