Structural Break Estimation for Nonstationary Time Series Models
非平稳时间序列模型的结构断点估计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：摘要明确研究非平稳时间序列、分段自回归模型及结构断点位置估计。
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…
非平稳时间序列模型的结构断点估计
- 研究问题
- 如何用分段自回归模型描述非平稳时间序列，同时确定未知的分段数量、断点位置和各段自回归阶数？
- 方法与思路
- 作者以最小描述长度原则比较分段自回归拟合，通过遗传算法优化分段方案，并考虑多元时间序列的分段。
- 材料陈述的贡献
- 摘要称模拟与真实数据分析显示良好经验表现，且在真实模型为分段自回归时，断点位置估计具有一致性。
- 阅读关注点
- 应核对描述长度目标函数、候选阶数与分段约束、遗传算法搜索可靠性，以及断点一致性所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体一致性条件和数值结果未提供，不能推断算法必然找到全局最优解。
原文摘要
This article considers the problem of modeling a class of nonstationary time series using piecewise autoregressive (AR) processes. The number and locations of the piecewise AR segments, as well as the orders of the respective AR processes, are assumed unknown. The minimum description length principle is applied to compare various segmented AR fits to the data. The goal is to find the “best” combination of the number of segments, the lengths of the segments, and the orders of the piecewise AR processes. Such a “best” combination is implicitly defined as the optimizer of an objective function, and a genetic algorithm is implemented to solve this difficult optimization problem. Numerical results from simulation experiments and real data analyses show that the procedure has excellent empirical properties. The segmentation of multivariate time series is also considered. Assuming that the true underlying model is a segmented autoregression, this procedure is shown to be consistent for estimating the location of the breaks.