Detecting Level Shifts in Time Series
时间序列水平突变的检测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。
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：研究对象明确是时间序列中的水平突变，方法围绕突变检测与异常值区分，直接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…
关注这篇论文的作者
时间序列水平突变的检测
- 研究问题
- 传统时间序列异常值检测为何容易漏检水平突变，或将其与创新异常值混淆；如何调整检测程序以提高正确识别能力？
- 方法与思路
- 作者考察以估计的 ARMA 模型初始化搜索及其分类规则的问题，并提出对 Tsay 程序的简单修改；摘要未给出修改细节。
- 材料陈述的贡献
- 摘要称传统初始化会降低水平突变检测的功效，原分类规则也有不足；所提修改改善了正确识别能力，且较易实现。
- 阅读关注点
- 阅读全文时应核对初始化为何降低检测功效、修订后的分类规则，以及误报率、突变幅度和样本长度变化下的检测表现。
- 阅读边界
- 摘要未说明修改公式、评估设计或改进幅度；“实践中有效”是作者的概括，无法据此判断多重突变或其他异常情形的表现。
原文摘要
This article demonstrates the difficulty that traditional outlier detection methods, such as that of R. S. Tsay, have in identifying level shifts in time series. Initializing the outlier/level-shift search with an estimated autoregressive moving average model lowers the power of the level-shift detection statisti cs. Furthermore, the rule employed by these methods for distinguishing between level shifts and innovation outliers does not work well in t he presence of level shifts. A simple modification to Tsay's procedure is proposed that improves the ability to correctly identify level shift s. This modification is relatively easy to implement and appears to be quite effective in practice.