Segmenting Time Series via Self-Normalisation
通过自归一化进行时间序列分段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：摘要明确研究多变量时间序列中的变化点估计，直接对应时间序列与结构变化。
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
通过自归一化进行时间序列分段
- 研究问题
- 如何在存在时间依赖的多变量序列中统一检测均值、方差、相关性及分位数变化，同时避免一致估计长期方差的困难？
- 方法与思路
- 作者将自归一化检验与嵌套局部窗口分段算法结合，构建非参数变化点估计框架，并针对其特殊方差处理发展理论论证。
- 材料陈述的贡献
- 摘要称，该框架覆盖多类参数变化，并建立变化点检测的一致性与收敛率；数值实验和真实数据分析用于展示适用性。
- 阅读关注点
- 应核对自归一化统计量、局部窗口与分段规则、时间依赖条件、变化点定位误差，以及不同参数类型对应的理论要求。
- 阅读边界
- 仅据 Crossref 摘要；摘要未说明变化幅度、间隔、维度或阈值条件，也未给出比较数值，不能判断所有场景下的优势。
原文摘要
Abstract We propose a novel and unified framework for change-point estimation in multivariate time series. The proposed method is fully non-parametric, robust to temporal dependence and avoids the demanding consistent estimation of long-run variance. One salient and distinct feature of the proposed method is its versatility, where it allows change-point detection for a broad class of parameters (such as mean, variance, correlation and quantile) in a unified fashion. At the core of our method, we couple the self-normalisation- (SN) based tests with a novel nested local-window segmentation algorithm, which seems new in the growing literature of change-point analysis. Due to the presence of an inconsistent long-run variance estimator in the SN test, non-standard theoretical arguments are further developed to derive the consistency and convergence rate of the proposed SN-based change-point detection method. Extensive numerical experiments and relevant real data analysis are conducted to illustrate the effectiveness and broad applicability of our proposed method in comparison with state-of-the-art approaches in the literature.