Inference for Multiple Change Points in Time Series via Likelihood Ratio Scan Statistics
利用似然比扫描统计量推断时间序列的多个变点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：摘要明确研究分段平稳时间序列的多个变点估计及位置推断，直接对应时间序列与结构变化。
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
利用似然比扫描统计量推断时间序列的多个变点
- 研究问题
- 如何在分段平稳时间序列中高效估计多个变点的数量与位置，并为各变点构造置信区间，避免不可行的全局搜索？
- 方法与思路
- 作者使用似然比扫描统计量，把全局多变点估计转化为多个局部窗口中的单变点检测，并开发变点置信区间程序。
- 材料陈述的贡献
- 摘要称建立了变点数量和位置估计的一致性，并提出逐个变点的置信区间方法，以模拟和真实数据说明计算效率。
- 阅读关注点
- 应核对局部窗口、变点间距及分段平稳条件，以及区间覆盖性质；摘要中的计算复杂度符号不清，应查原文确认。
- 阅读边界
- 仅据所给 Crossref 摘要；复杂度表达中的 npt 含义不清，不能重构公式，需查原 PDF；一致性条件和区间结果未说明。
原文摘要
Summary We propose a likelihood ratio scan method for estimating multiple change points in piecewise stationary processes. Using scan statistics reduces the computationally infeasible global multiple-change-point estimation problem to a number of single-change-point detection problems in various local windows. The computation can be efficiently performed with order O{npt log (n)}. Consistency for the estimated numbers and locations of the change points are established. Moreover, a procedure is developed for constructing confidence intervals for each of the change points. Simulation experiments and real data analysis are conducted to illustrate the efficiency of the likelihood ratio scan method.