Trend and Variance Adaptive Bayesian Changepoint Analysis and Local Outlier Scoring
适应趋势与方差变化的贝叶斯变点分析及局部异常值评分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：摘要直接讨论时间序列趋势变点检测，并以美国经济序列展示方法应用。
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…
适应趋势与方差变化的贝叶斯变点分析及局部异常值评分
- 研究问题
- 当时间序列同时存在趋势中断、异常值和异方差测量误差时，如何识别动态信号、未知变点与局部异常过程？
- 方法与思路
- 作者在贝叶斯动态线性状态空间模型中使用全局—局部收缩先验，并引入逐时点局部参数和随机波动率，构成 ABCO。
- 材料陈述的贡献
- 摘要称，该框架能适应复杂趋势中断，对异常值和异方差噪声具有稳健性，并通过多种模拟及两个美国经济实例展示效果。
- 阅读关注点
- 应核对趋势变点、异常值与波动变化如何区分，局部参数及先验如何设定，以及比较方法和检测评价指标是否一致。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未说明识别限制、先验敏感性或误报表现，不能据此判断不同噪声环境下的检测可靠性。
原文摘要
We adaptively estimate both changepoints and local outlier processes in a Bayesian dynamic linear model with global-local shrinkage priors in a novel model we call Adaptive Bayesian Changepoints with Outliers (ABCO). We use a state-space approach to identify a dynamic signal in the presence of outliers and measurement error with stochastic volatility. We find that global state equation parameters are inadequate for most real applications and we include local parameters to track noise at each time-step. This setup provides a flexible framework to detect unspecified changepoints in complex series, such as those with large interruptions in local trends, with robustness to outliers and heteroscedastic noise. Finally, we compare our algorithm against several alternatives to demonstrate its efficacy in diverse simulation scenarios and two empirical examples on the U.S. economy.