Adaptive Change Point Inference for High Dimensional Time Series with Temporal Dependence
具有时间依赖的高维时间序列自适应变点推断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：摘要直接研究含时间依赖的高维时间序列及变点检验，对应时间序列与结构变化方法。
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
具有时间依赖的高维时间序列自适应变点推断
- 研究问题
- 在存在时间依赖的高维序列中，如何构造对稠密与稀疏变化都具有较好表现的变点检验，减少对变化稀疏程度的依赖？
- 方法与思路
- 作者提出基于最大L2范数的检验，建立其与两个最大L∞型统计量的渐近独立性，再用Cauchy组合方法整合检验。
- 材料陈述的贡献
- 摘要称L2型检验适合稠密备择，组合程序在不同稀疏程度下表现稳健，并以模拟和真实数据分析报告方法的有效性。
- 阅读关注点
- 应核对变点所对应的参数变化、时间依赖和维度增长条件、渐近独立性证明，以及组合检验在稀疏与稠密备择下的尺寸和功效。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明变化类型、依赖条件或真实数据内容，所称优越表现需结合具体比较设置。
原文摘要
This paper investigates change point inference in high-dimensional time series. We begin by introducing a max-$L_2$-norm based test procedure, which demonstrates strong performance under dense alternatives. We then establish the asymptotic independence between our proposed statistic and the two max-$L_\infty$-based statistics introduced by Wang and Feng (2023). Building on this result, we develop an adaptive inference approach by applying the Cauchy combination method to integrate these tests. This combined procedure exhibits robust performance across varying levels of sparsity. Extensive simulation studies and real data analysis further confirm the superior effectiveness of our proposed methods in the high-dimensional setting.