Change point detection in low-rank VAR processes
低秩向量自回归过程中的变点检测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：摘要研究VAR时间序列的转移矩阵变点及分段平稳结构，直接对应时间序列与结构变化；未涉及冲击识别或局部投影。
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…
低秩向量自回归过程中的变点检测
- 研究问题
- 在高维且高度相关的时间序列存在结构突变时，如何检测低秩VAR转移矩阵的变化，并刻画检测难度随维度和样本量的变化。
- 方法与思路
- 作者考虑低秩分段平稳VAR，先估计转移矩阵，再将估计结果用于惩罚似然比统计量，构成两步变点检测策略。
- 材料陈述的贡献
- 摘要称，作者提出转移矩阵变点存在性检验，并证明其关于维度和样本量的极小极大最优性；合成数据用于展示程序效果。
- 阅读关注点
- 应核对分段平稳、低秩及变化幅度的条件，最优性的损失或检测标准，以及检验阈值、惩罚参数和变点定位的具体处理。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未给出最优性定理条件或检测界，合成数据表现不能直接支持真实应用结论。
原文摘要
Vector autoregressive (VAR) models are widely used in multivariate time series analysis for describing the short-time dynamics of the data. The reduced-rank VAR models are of particular interest when dealing with high-dimensional and highly correlated time series. Many results for these models are based on the stationarity assumption that does not hold in several applications when the data exhibits structural breaks. We consider a low-rank piecewise stationary VAR model with possible changes in the transition matrix of the observed process. We develop a new test of presence of a change-point in the transition matrix and show its minimax optimality with respect to the dimension and the sample size. Our two-step change-point detection strategy is based on the construction of estimators for the transition matrices and using them in a penalized version of the likelihood ratio test statistic. The effectiveness of the proposed procedure is illustrated on synthetic data.