Joint Structural Break Detection and Parameter Estimation in High-Dimensional Nonstationary VAR Models
高维非平稳 VAR 模型的结构断点检测与参数联合估计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：摘要明确研究高维分段 VAR 时间序列及结构断点的数量、位置和参数估计。
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
高维非平稳 VAR 模型的结构断点检测与参数联合估计
- 研究问题
- 对可能存在多个结构断点的高维时间序列，如何同时确定分段 VAR 的断点数量、位置及各段参数？
- 方法与思路
- 作者先将断点检测转为带总变差惩罚的高维变量选择，再用选择准则筛减过多候选断点，最后估计各段 VAR 参数。
- 材料陈述的贡献
- 摘要称初步惩罚估计会高估断点数，而完整三阶段程序可一致检测断点数量与位置，并给出一致的分段参数估计。
- 阅读关注点
- 应核对最短分段长度、断点信号及高维参数限制，以及候选筛选准则、位置误差和分段估计的具体一致性条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要解读；摘要未给出断点间距、稀疏性条件或收敛速度，不能据此重建定理。
原文摘要
Assuming stationarity is unrealistic in many time series applications. A more realistic alternative is to assume piecewise stationarity, where the model can change at potentially many change points. We propose a three-stage procedure for simultaneous estimation of change points and parameters of high-dimensional piecewise vector autoregressive (VAR) models. In the first step, we reformulate the change point detection problem as a high-dimensional variable selection one, and solve it using a penalized least square estimator with a total variation penalty. We show that the penalized estimation method over-estimates the number of change points, and propose a selection criterion to identify the change points. In the last step of our procedure, we estimate the VAR parameters in each of the segments. We prove that the proposed procedure consistently detects the number and location of change points, and provides consistent estimates of VAR parameters. The performance of the method is illustrated through several simulated and real data examples.