Adaptive Ridge-Regularized Hotelling Change-Point Tests for Functional Data
函数型数据的自适应岭正则 Hotelling 变点检验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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究函数型时间序列的均值变化检验、多变点识别与定位，明确对应时间序列和结构变化方法方向。
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…
函数型数据的自适应岭正则 Hotelling 变点检验
- 研究问题
- 函数型时间序列存在谱衰减和未知变化方向时，如何稳定检验均值变点，并在多变点情形恢复其数量与位置？
- 方法与思路
- 作者用增长基展开和差分长期协方差估计构造岭 CUSUM，聚合多个岭参数，并以野生二元分割和局部细化定位变点。
- 材料陈述的贡献
- 摘要称，在相应条件下建立检验有效性、局部功效、一致性及定位性质，允许弱依赖和非高斯误差，并可一致恢复变点数量。
- 阅读关注点
- 应核对基维度增长、长期协方差估计及联合极限校准条件，以及最小变化幅度、变点间距与定位误差界的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列所谓温和条件，也未说明两项应用和有限样本改善的具体数值。
原文摘要
We propose a unified ridge-regularized Hotelling framework for detecting and locating mean changes in functional time series. A growing basis expansion converts the functional observations into high-dimensional score vectors. Their long-run covariance is estimated by an edge-corrected difference-based procedure. Ridge regularization stabilizes inference under spectral decay. An explicit local-power formula shows that the power-maximizing ridge depends on the unknown spectral orientation of the change. We therefore combine a family of ridge CUSUM statistics by a Cauchy transform and calibrate the aggregate directly from their joint weighted-bridge limit. For multiple changes, we embed local maximum-ridge statistics in a wild binary segmentation procedure, followed by local refinement. Under mild conditions, we establish the validity, local power, consistency, and localization properties of the proposed tests. In the multiple-change setting, the procedure consistently recovers the number of changes and uniformly estimates their locations. The framework accommodates weak dependence and non-Gaussian functional errors. Simulations and two empirical applications demonstrate the favorable finite-sample performance of the proposed methods.