A General Framework For Constructing Locally Self-Normalized Multiple-Change-Point Tests
构造局部自归一化多变点检验的一般框架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：摘要核心是时间序列中的多变点检测及自归一化检验，因此对应结构变化和时间序列，交易数据仅为案例应用。
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
构造局部自归一化多变点检验的一般框架
- 研究问题
- 如何从用户指定的单变点统计量构造时间序列多变点检验，同时避免估计干扰参数、选择带宽和预设变点数量？
- 方法与思路
- 作者提出局部自归一化构造框架，可采用累积和、稳健秩统计量或次序统计量，并以有限样本比较和金融交易数据展示。
- 材料陈述的贡献
- 摘要称，框架无需上述额外步骤，在有限样本研究中检验水平准确、对备择误设稳健，且相较所比较方法具有更高功效。
- 阅读关注点
- 应核对局部自归一化和多变点聚合的构造、时间依赖条件，以及水平与功效比较涉及的变点配置和基准方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未给出理论条件或比较数值，有限样本优势不能视为普遍占优。
原文摘要
We propose a general framework to construct self-normalized multiple-change-point tests with time series data. The only building block is a user-specified one-change-point detecting statistic, which covers a wide class of popular methods, including cumulative sum process, outlier-robust rank statistics and order statistics. Neither robust and consistent estimation of nuisance parameters, selection of bandwidth parameters, nor pre-specification of the number of change points is required. The finite-sample performance shows that our proposal is size-accurate, robust against misspecification of the alternative hypothesis, and more powerful than existing methods. Case studies of NASDAQ option volume and Shanghai-Hong Kong Stock Connect turnover are provided.