Self-Normalization for CUSUM-based Change Detection in Locally Stationary Time Series
局部平稳时间序列中基于 CUSUM 的自标准化变点检测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：摘要直接研究局部平稳时间序列的均值变化检测，涵盖突变、渐变与多个变点。
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
局部平稳时间序列中基于 CUSUM 的自标准化变点检测
- 研究问题
- 局部平稳序列的长期方差随时间变化，传统自标准化难以直接消去它，如何构造不依赖该方差直接估计的均值变化检验？
- 方法与思路
- 作者引入双变量部分和过程，证明其弱收敛到布朗片，并据此构造适用于局部平稳情形的自标准化 CUSUM 检验统计量。
- 材料陈述的贡献
- 摘要称，检验在无变化原假设下达到渐近水平，对突变、渐变及多重变化一致；模拟报告尺寸准确且有限样本功效改善。
- 阅读关注点
- 应核对局部平稳定义、依赖与矩条件，检查双变量过程及标准化分母的构造，并理解不同变化类型下的一致性条件和临界值获取。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未说明全部正则条件、可检测变化尺度及模拟细节，不能确认一般有限样本优势。
原文摘要
A new bivariate partial sum process for locally stationary time series is introduced and its weak convergence to a Brownian sheet is established. This construction enables the development of a novel self-normalized CUSUM test statistic for detecting changes in the mean of a locally stationary time series. For stationary data, self-normalization relies on the factorization of a constant long-run variance and a stochastic factor. In this case, the CUSUM statistic can be divided by another statistic proportional to the long-run variance, so that the latter cancels, avoiding estimation of the long-run variance. Under local stationarity, the partial sum process converges to $\int_0^t σ(x) d B_x$ and no such factorization is possible. To overcome this obstacle, a bivariate partial-sum process is introduced, allowing the construction of self-normalized test statistics under local stationarity. Weak convergence of the process is proven, and it is shown that the resulting self-normalized tests attain asymptotic level $α$ under the null hypothesis of no change, while being consistent against abrupt, gradual, and multiple changes under mild assumptions. Simulation studies show that the proposed tests have accurate size and substantially improved finite-sample power relative to existing approaches. Two data examples illustrate practical performance.