Detection and Estimation of Structural Breaks in High-Dimensional Functional Time Series
高维函数型时间序列的结构突变检测与估计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：摘要直接讨论高维函数型时间序列的均值突变检验、分组与突变点估计，最直接对应结构变化和时间序列两个方向。
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
高维函数型时间序列的结构突变检测与估计
- 研究问题
- 允许横截面相关和时间依赖时，如何检测高维函数型序列均值的异质突变，并估计具有不同突变时点的潜在群组？
- 方法与思路
- 作者结合函数型 CUSUM 与功效增强项进行检验，再利用聚类算法和信息准则估计潜在组数、成员及聚类后的突变时点。
- 材料陈述的贡献
- 摘要称，增强项扩大检验有功效的区域并改善稀疏突变表现，群组估计具有一致性，聚类还能改善后续突变点估计的收敛性质。
- 阅读关注点
- 应核对维度增长、依赖与突变大小条件，明确稀疏备择的范围，并检查组间分离、组数选择及聚类误差对突变估计的影响。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未说明检验校准条件、收敛速度和有限样本功效的具体数值。
原文摘要
In this paper, we consider detecting and estimating breaks in heterogeneous mean functions of high-dimensional functional time series which are allowed to be cross-sectionally correlated and temporally dependent. A new test statistic combining the functional CUSUM statistic and power enhancement component is proposed with asymptotic null distribution theory comparable to the conventional CUSUM theory derived for a single functional time series. In particular, the extra power enhancement component enlarges the region where the proposed test has power, and results in stable power performance when breaks are sparse in the alternative hypothesis. Furthermore, we impose a latent group structure on the subjects with heterogeneous break points and introduce an easy-to-implement clustering algorithm with an information criterion to consistently estimate the unknown group number and membership. The estimated group structure can subsequently improve the convergence property of the post-clustering break point estimate. Monte-Carlo simulation studies and empirical applications show that the proposed estimation and testing techniques have satisfactory performance in finite samples.