Gradient-based structural change detection for nonstationary time series M-estimation
非平稳时间序列 M 估计中的梯度结构变化检测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。
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：摘要直接研究非平稳时间序列中的结构变化检验、CUSUM 统计量及时间依赖下的 bootstrap。
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…
非平稳时间序列 M 估计中的梯度结构变化检测
- 研究问题
- 在预测变量与误差均可能非平稳且存在时间依赖时，如何检验广泛回归 M 估计模型中的结构变化？
- 方法与思路
- 作者建立一致 Bahadur 表示，构造基于回归梯度向量的 CUSUM 型统计量，并提出适用于突变与平滑非平稳情形的 bootstrap。
- 材料陈述的贡献
- 摘要称，bootstrap 具有一致性及某些准确性和功效上的渐近最优性质；公共卫生序列应用发现高低分位数的结构变化不对称。
- 阅读关注点
- 应核对允许的非平稳性和时间依赖、梯度统计量及 bootstrap 构造，并区分背景非平稳与被检验结构变化的定义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未给出一致性和最优性的具体条件，也未报告应用数值，不能判断普遍检测能力。
原文摘要
We consider structural change testing for a wide class of time series M-estimation with nonstationary predictors and errors. Flexible predictor-error relationships, including exogenous, state-heteroscedastic and autoregressive regressions and their mixtures, are allowed. New uniform Bahadur representations are established with nearly optimal approximation rates. A CUSUM-type test statistic based on the gradient vectors of the regression is considered. In this paper, a simple bootstrap method is proposed and is proved to be consistent for M-estimation structural change detection under both abrupt and smooth nonstationarity and temporal dependence. Our bootstrap procedure is shown to have certain asymptotically optimal properties in terms of accuracy and power. A public health time series dataset is used to illustrate our methodology, and asymmetry of structural changes in high and low quantiles is found.