Segmenting mean-nonstationary time series via trending regressions
利用趋势回归分割均值非平稳时间序列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：摘要明确针对均值非平稳时间序列，通过趋势回归检测结构断点并实施分割，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…
利用趋势回归分割均值非平稳时间序列
- 研究问题
- 如何将均值非平稳时间序列划分为不同区段，并在趋势变化检测中获得可用的临界值和可靠的有限样本推断？
- 方法与思路
- 作者将分割转化为平滑函数生成的趋势回归中的结构断点检测，使用最大化似然比及加权残差部分和统计量与循环自助法。
- 材料陈述的贡献
- 摘要称，文章建立统计量的极值分布和一致性，并以循环自助法缓解极限收敛慢的问题；模拟与应用表现令人满意。
- 阅读关注点
- 应核对分割算法、趋势函数的平滑限制、统计量最大化范围，以及循环自助法适用条件和断点定位误差。
- 阅读边界
- 仅据所给出版社摘要，完全数据驱动不意味着无需过程假设；具体依赖条件和有限样本误差未说明，不推断版本变化。
原文摘要
In this paper, we provide a segmentation procedure for mean-nonstationary time series. The segmentation is obtained by casting the problem into the framework of detecting structural breaks in trending regression models in which the regressors are generated by suitably smooth functions. As test statistics we propose to use the maximally selected likelihood ratio statistics and a related statistics based on partial sums of weighted residuals. The main theoretical contribution of the paper establishes the extreme value distribution of these statistics and their consistency. To circumvent the slow convergence to the extreme value limit, we propose to employ a version of the circular bootstrap. This procedure is completely data-driven and does not require knowledge of the time series structure. In an empirical part, we show in a simulation study and applications to air carrier traffic and S&P500 data that the finite sample performance is very satisfactory.