Optimal change-point estimation in time series
时间序列中变点的最优估计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。
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：摘要直接研究依赖时间序列中的变点估计及置信区间，对应结构变化与时间序列。
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…
时间序列中变点的最优估计
- 研究问题
- 在具有序列依赖的一般时间序列模型中，如何最优估计变点并构造置信区间，较小变化下的分布又如何近似？
- 方法与思路
- 作者在 α-mixing 条件下建立变点估计的渐近理论，研究贝叶斯型估计量，并提出两种构造变点置信区间的 bootstrap 方法。
- 材料陈述的贡献
- 摘要称贝叶斯型估计量在平方误差损失下渐近极小极大，并给出小变化下的近似极限分布及模拟和真实数据应用。
- 阅读关注点
- 应核对混合条件、变化幅度与样本量的关系、极小极大比较范围，以及两种 bootstrap 的构造和区间覆盖表现。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确认定理的完整条件或有限样本效果；摘要未报告覆盖率及具体数值结果。
原文摘要
This paper establishes asymptotic theory for optimal estimation of change points in general time series models under α-mixing conditions. We show that the Bayes-type estimator is asymptotically minimax for change-point estimation under squared error loss. Two bootstrap procedures are developed to construct confidence intervals for the change points. An approximate limiting distribution of the change-point estimator under small change is also derived. Simulations and real data applications are presented to investigate the finite sample performance of the Bayes-type estimator and the bootstrap procedures.