Kolmogorov–Smirnov type testing for structural breaks: A new adjusted-range based self-normalization approach
结构突变的 KS 型检验：基于调整极差的自归一化方法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：摘要直接研究单变量和多变量时间序列的结构突变，以及时间序列回归参数稳定性，符合结构变化与时间序列方向。
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…
结构突变的 KS 型检验：基于调整极差的自归一化方法
- 研究问题
- 面对持续自相关、异方差、单位根和异常值，如何改善时间序列结构突变及回归参数稳定性检验的尺寸与功效表现？
- 方法与思路
- 作者以部分和的调整极差替代方差构造自归一化量，建立单变量、多变量序列及时间序列回归的 KS 型结构突变检验。
- 材料陈述的贡献
- 摘要称，该方法对所列不规则性具有稳健性，可缓解既有自归一化检验的功效下降，并容纳更一般的备择情形。
- 阅读关注点
- 应核对调整极差的定义、稳健性成立的条件、零假设极限分布，以及功效改善针对哪些突变形态和比较方案。
- 阅读边界
- 仅据所给 OpenAlex 摘要，具体条件、备择范围及模拟数值未说明；所称稳健性和优势不能据此推广至任意时间序列。
原文摘要
A popular self-normalization (SN) approach in time series analysis uses the variance of a partial sum as a self-normalizer. This is known to be sensitive to irregularities such as persistent autocorrelation, heteroskedasticity, unit roots and outliers. We propose a novel SN approach based on the adjusted-range of a partial sum, which is robust to these aforementioned irregularities. We develop an adjusted-range based Kolmogorov–Smirnov type test for structural breaks for both univariate and multivariate time series, and consider testing parameter constancy in a time series regression setting. Our approach can rectify the well-known power decrease issue associated with existing self-normalized KS tests without having to use backward and forward summations as in Shao and Zhang (2010), and can alleviate the “better size but less power” phenomenon when the existing SN approaches (Shao, 2010; Zhang et al., 2011; Wang and Shao, 2022) are used. Moreover, our proposed tests can cater for more general alternatives. Monte Carlo simulations and empirical studies demonstrate the merits of our approach.