Inference for multiple change-points in generalized integer-valued autoregressive model
广义整数值自回归模型的多变点推断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：摘要明确研究整数值自回归时间序列中的多个变点及其位置推断。
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
广义整数值自回归模型的多变点推断
- 研究问题
- 在分段平稳的广义条件整数值自回归序列中，如何计算可行地估计多个变点，并为各变点位置构造反映估计不确定性的置信区间？
- 方法与思路
- 作者提出似然比扫描方法，比较单窗口和多窗口设置，并开发参数与区块两类 bootstrap 程序，用于各变点位置的区间估计。
- 材料陈述的贡献
- 摘要称，方法具有理论依据，计算复杂度为 O(n(log n)³)；不同窗口适合不同变点密度，两类 bootstrap 的表现获得模拟与实例支持。
- 阅读关注点
- 应核对扫描与候选变点筛选步骤、单窗口和多窗口的选择依据，以及复杂度计算、变点一致性和 bootstrap 区间有效性的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未给出窗口调参规则、变化幅度和间距限制，也未提供区间覆盖率等数值。
原文摘要
In this paper, we propose a computationally valid and theoretically justified methods, the likelihood ratio scan method (LRSM), for estimating multiple change-points in a piecewise stationary generalized conditional integer-valued autoregressive process. LRSM with the usual window parameter $h$ is more satisfied to be used in long-time series with few and even change-points vs. LRSM with the multiple window parameter $h_{mix}$ performs well in short-time series with large and dense change-points. The computational complexity of LRSM can be efficiently performed with order $O((\log n)^3 n)$. Moreover, two bootstrap procedures, namely parametric and block bootstrap, are developed for constructing confidence intervals (CIs) for each of the change-points. Simulation experiments and real data analysis show that the LRSM and bootstrap procedures have excellent performance and are consistent with the theoretical analysis.