Linking Frequentist and Bayesian Change-Point Methods
连接频率学派与贝叶斯变点方法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：摘要直接讨论结构突变检测、长时间序列及预测应用，对应结构变化、时间序列与预测方向。
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…
连接频率学派与贝叶斯变点方法
- 研究问题
- 线性变点模型中，常用的两阶段最小描述长度准则能否与贝叶斯模型建立联系，从而兼顾变点估计、概率解释及方法组合？
- 方法与思路
- 作者将两阶段最小描述长度准则对应于特定先验类下的边际似然，并利用这一概率表示改造变点方法，开展模拟与长时间序列应用。
- 材料陈述的贡献
- 摘要称，该联系可衔接变点数量与位置的一致性结果和贝叶斯后验计算；改造后的方法在模拟中改善检测，并支持方法选择与组合。
- 阅读关注点
- 应核对准则与边际似然对应所需的先验及模型条件、一致性结果的适用范围，以及方法组合和预测比较所用的基准与评价设计。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；具体先验、证明及改善幅度未说明，不能确认一般性优越性，也不能推断后续刊本变化。
原文摘要
We show that the two-stage minimum description length (MDL) criterion widely used to estimate linear change-point (CP) models corresponds to the marginal likelihood of a Bayesian model with a specific class of prior distributions. This allows results from the frequentist and Bayesian paradigms to be bridged together. Thanks to this link, one can rely on the consistency of the number and locations of the estimated CPs and the computational efficiency of frequentist methods, and obtain a probability of observing a CP at a given time, compute model posterior probabilities, and select or combine CP methods via Bayesian posteriors. Furthermore, we adapt several CP methods to take advantage of the MDL probabilistic representation. Based on simulated data, we show that the adapted CP methods can improve structural break detection compared to state-of-the-art approaches. Finally, we empirically illustrate the usefulness of combining CP detection methods when dealing with long time series and forecasting.