Nonparametric Sequential Change-point Detection on High Order Compositional Time Series Models with Exogenous Variables
含外生变量的高阶成分时间序列非参数序贯变点检测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：摘要直接研究高阶自回归时间序列及序贯变点检测，因此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
含外生变量的高阶成分时间序列非参数序贯变点检测
- 研究问题
- 对于包含外生变量的高阶成分时间序列，如何进行序贯变点检测，并在不强限定变点来源的情况下获得检测能力保证？
- 方法与思路
- 作者研究含外生变量的广义 Beta AR(p) 模型，证明一定条件下的平稳遍历性，并提出非参数序贯检测方法用于月度酒驾事故率。
- 材料陈述的贡献
- 摘要称，初始观测足够多时检验功效趋于一，并在酒驾事故率与酒精饮料价格的应用中成功检测到所讨论的变点。
- 阅读关注点
- 应核对外生变量变化与模型平稳性条件的关系、检测统计量及阈值、初始训练期要求，以及误报控制和变点日期的验证方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出正则条件、误报率或检测延迟，应用发现不构成价格影响的因果证据。
原文摘要
Sequential change-point detection for time series is widely used in data monitoring in practice. In this work, we focus on sequential change-point detection on high-order compositional time series models. Under the regularity conditions, we prove that a process following the generalized Beta AR(p) model with exogenous variables is stationary and ergodic. We develop a nonparametric sequential change-point detection method for the generalized Beta AR(p) model, which does not rely on any strong assumptions about the sources of the change points. We show that the power of the test converges to one given that the amount of initial observations is large enough. We apply the nonparametric method to a rate of automobile crashes with alcohol involved, which is recorded monthly from January 2010 to December 2020; the exogenous variable is the price level of alcoholic beverages, which has a change point around August 2019. We fit a generalized Beta AR(p) model to the crash rate sequence, and we use the nonparametric sequential change-point detection method to successfully detect the change point.