Detecting Change-points in Mean of Multivariate Time Series
多元时间序列均值变点的检测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：摘要明确研究多元线性时间序列、均值变点检测与谱密度估计。
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
多元时间序列均值变点的检测
- 研究问题
- 对于创新项弱依赖的多元线性过程，如何检测均值发生变化的时间点，并在相关条件下估计序列的谱密度？
- 方法与思路
- 作者以概率方法构造均值变点检验和谱密度一致估计量，通过理论分析、经验评价及比特币价格数据展示方法。
- 材料陈述的贡献
- 摘要称，所提方法能够检测线性过程的均值变化，并在基本假设下提供一致的谱密度估计，给出实际数据示例。
- 阅读关注点
- 应核对弱依赖与长期方差假设、变点检验的零假设和临界值，以及存在均值变化时谱密度估计如何实施。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要对关键假设表述较笼统，未提供具体结果数值。
原文摘要
This work delves into presenting a probabilistic method for analyzing linear process data with weakly dependent innovations, focusing on detecting change-points in the mean and estimating its spectral density. We develop a test for identifying change-points in the mean of data coming from such a model, aiming to detect shifts in the underlying distribution. Additionally, we propose a consistent estimator for the spectral density of the data, contingent upon fundamental assumptions, notably the long-run variance. By leveraging probabilistic techniques, our approach provides reliable tools for understanding temporal changes in linear process data. Through theoretical analysis and empirical evaluation, we demonstrate the efficacy and consistency of our proposed methods, offering valuable insights for practitioners in various fields dealing with time series data analysis. Finally, we implemented our method on bitcoin data for identifying the time points of significant changes in its stock price.