Computationally efficient and data-adaptive changepoint inference in high dimension
计算高效且数据自适应的高维变点推断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。
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：摘要直接研究高维变点检验及变化信号的稀疏程度，对应结构变化方向，但未限定宏观经济应用。
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
计算高效且数据自适应的高维变点推断
- 研究问题
- 如何构造计算简便的高维变点检验，使其能够适应不同稀疏程度的变化信号及变量间相关性？
- 方法与思路
- 作者分别以最大值和求和方式聚合累积和统计量，利用其渐近独立性及零分布组合两类检验的 p 值。
- 材料陈述的贡献
- 摘要称，论文在较宽松的分量相关条件下建立最大型统计量的极限分布，数值研究显示组合检验具有适应性。
- 阅读关注点
- 应核对渐近独立与相关性限制、维数增长条件、p 值组合规则，以及不同稀疏信号下的尺寸和功效比较。
- 阅读边界
- 依据所给 Crossref 摘要；具体条件和数值结果未提供，模拟中的可比或更好表现不能扩展为所有变化模式下的优势。
原文摘要
Abstract High-dimensional changepoint inference that adapts to various change patterns has received much attention recently. We propose a simple, fast yet effective approach for adaptive changepoint testing. The key observation is that two statistics based on aggregating cumulative sum statistics over all dimensions and possible changepoints by taking their maximum and summation, respectively, are asymptotically independent under some mild conditions. Hence, we are able to form a new test by combining the p-values of the maximum- and summation-type statistics according to their asymptotic null distributions. To this end, we develop new tools and techniques to establish the asymptotic distribution of the maximum-type statistic under a more relaxed condition on componentwise correlations among all variables than those in existing literature. The proposed method is simple to use. It is adaptive to different levels of the sparsity of change signals, and is comparable to or even outperforms existing approaches as revealed by our numerical studies.