Estimation and Inference for Change Points in Functional Regression Time Series
函数型回归时间序列变点的估计与推断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：摘要明确研究时间依赖下函数型回归的多变点检测、定位与推断，直接对应结构变化和时间序列方法。
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…
函数型回归时间序列变点的估计与推断
- 研究问题
- 在斜率函数发生变化的函数型线性回归时间序列中，如何一致检测多个变点、提高定位精度，并在时间依赖和厚尾下构造区间？
- 方法与思路
- 作者在再生核希尔伯特空间中提出 FRBS 二元分割算法，再细化初始变点估计；利用分情形的极限分布及分块长期方差估计推断。
- 材料陈述的贡献
- 摘要称算法兼具计算效率和多变点检测一致性，细化步骤改善定位速率，并推导两类变化幅度下的渐近分布，提供模拟和指数应用。
- 阅读关注点
- 应核对变点间距、变化幅度、函数复杂度与依赖条件，区分两类渐近情形，并检查长期方差估计及区间构造是否覆盖实际设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明依赖和厚尾条件的边界，也未给出定位速率及标普指数应用结果。
原文摘要
In this paper, we study the estimation and inference of change points under a functional linear regression model with changes in the slope function. We present a novel Functional Regression Binary Segmentation (FRBS) algorithm which is computationally efficient as well as achieving consistency in multiple change point detection. This algorithm utilizes the predictive power of piece-wise constant functional linear regression models in the reproducing kernel Hilbert space framework. We further propose a refinement step that improves the localization rate of the initial estimator output by FRBS, and derive asymptotic distributions of the refined estimators for two different regimes determined by the magnitude of a change. To facilitate the construction of confidence intervals for underlying change points based on the limiting distribution, we propose a consistent block-type long-run variance estimator. Our theoretical justifications for the proposed approach accommodate temporal dependence and heavy-tailedness in both the functional covariates and the measurement errors. Empirical effectiveness of our methodology is demonstrated through extensive simulation studies and an application to the Standard and Poor's 500 index dataset.