Sequential Change-point Detection for Binomial Time Series
二项时间序列的序贯变点检测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：摘要明确提出二项自回归时间序列模型及实时序贯变点检测，因此对应时间序列与结构变化方向。
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
二项时间序列的序贯变点检测
- 研究问题
- 如何描述群体二元行为对过去群体行为及外生变量的依赖，并在持续到来的二项时间序列中实时检测结构变化？
- 方法与思路
- 作者基于广义线性模型构建含外生变量的二项自回归模型，研究一阶情形的统计性质、参数估计与序贯变点检测。
- 材料陈述的贡献
- 摘要称，该方法可实时监测并触发变点警报，在每周肺炎与流感死亡数据中识别出与新冠暴发相关的变点。
- 阅读关注点
- 应核对一阶模型的统计条件、监测起点与报警阈值、误报和检测延迟，以及变点与疫情时间的对应依据。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要仅称证明一阶模型性质，未说明高阶模型理论或报警性能数值。
原文摘要
A binomial time series describes binary behaviors of individuals within a group, which depend on group behaviors in the past. Binomial time series data is widely applied in fields such as infection tracking and behavior analysis. In this paper, we introduce a generalized Binomial AR($p$) model with exogenous variables based on Generalized Linear Model (GLM), prove the statistical properties of the model when $p = 1$, and provide a parameter estimation method. Then, we propose a sequential change-point detection method for the generalized Binomial AR(1) model, facilitate real-time data monitoring and triggering alarms when a change point is detected. We apply the generalized Binomial AR(1) model to weekly pneumonia \& influenza mortality data and successfully identify change points related to the COVID-19 outbreak using the proposed method.