On discriminating between long-range dependence and changes in mean
区分长程依赖与均值变化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：摘要明确研究时间序列长程依赖与均值变点的区分，对应时间序列和结构变化。
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…
区分长程依赖与均值变化
- 研究问题
- 当时间序列表现出持续性时，如何判断其来自真正的长程依赖，还是来自弱依赖过程中的均值变点，避免混淆两种机制？
- 方法与思路
- 作者先用 CUSUM 估计未知均值变点，再分别计算变点前后的 CUSUM 统计量，以二者最大值构造区分两种机制的检验。
- 材料陈述的贡献
- 摘要称该统计量在弱依赖且单次均值变化的原假设下收敛于已知分布，在长程依赖下发散，并以例子和道琼斯收益数据展示方法。
- 阅读关注点
- 应核对弱依赖与长程依赖的定义、变点幅度和位置条件，以及估计变点对分段统计量的影响，并查看多变点扩展和应用结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；归一化、依赖条件及应用结果未提供，不能据此判断道琼斯收益究竟支持哪种机制。
原文摘要
We develop a testing procedure for distinguishing between a long-range dependent time series and a weakly dependent time series with change-points in the mean. In the simplest case, under the null hypothesis the time series is weakly dependent with one change in mean at an unknown point, and under the alternative it is long-range dependent. We compute the CUSUM statistic Tn, which allows us to construct an estimator k̂ of a change-point. We then compute the statistic Tn,1 based on the observations up to time k̂ and the statistic Tn,2 based on the observations after time k̂. The statistic Mn=max [Tn,1,Tn,2] converges to a well-known distribution under the null, but diverges to infinity if the observations exhibit long-range dependence. The theory is illustrated by examples and an application to the returns of the Dow Jones index.