Nonparametric data segmentation in multivariate time series via joint characteristic functions
基于联合特征函数的多元时间序列非参数分段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：摘要明确研究多元时间序列的结构变化检测，并包含经济时间序列应用。
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…
关注这篇论文的作者
基于联合特征函数的多元时间序列非参数分段
- 研究问题
- 当多元时间序列的变化不仅表现为均值或参数改变，还涉及边际分布和非线性序列依赖时，如何识别变点及其位置？
- 方法与思路
- 作者提出NP-MOJO，利用序列与滞后值的联合特征函数进行非参数分段，无需预先指定变化类型，并开展模拟及实际应用。
- 材料陈述的贡献
- 摘要称方法能检测边际分布和可能非线性的序列依赖变化，并建立变点数量与位置估计的一致性，展示地震和经济序列应用。
- 阅读关注点
- 应核对滞后选择、联合特征函数比较及分段规则，并检查一致性对依赖强度、变化幅度和变点间隔的具体要求。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收。摘要未列出检测条件、定位误差或比较数值，不能认定所有变化均可检测。
原文摘要
Modern time series data often exhibit complex dependence and structural changes which are not easily characterised by shifts in the mean or model parameters. We propose a nonparametric data segmentation methodology for multivariate time series termed NP-MOJO. By considering joint characteristic functions between the time series and its lagged values, NP-MOJO is able to detect change points in the marginal distribution, but also those in possibly non-linear serial dependence, all without the need to pre-specify the type of changes. We show the theoretical consistency of NP-MOJO in estimating the total number and the locations of the change points, and demonstrate the good performance of NP-MOJO against a variety of change point scenarios. We further demonstrate its usefulness in applications to seismology and economic time series.