Determining The Number of Factors in Two-Way Factor Model of High-Dimensional Matrix-Variate Time Series: A White-Noise based Method for Serial Correlation Models
针对高维矩阵值时间序列的双向因子模型，提出基于白噪声的信号统计量方法，通过序列分解和变换消除行列载荷交互影响，确定因子数量并保证估计一致性，数值实验验证了有效性。
2025-01-25 stat.ME
Change Point Analysis of Correlation in Non-stationary Time Series
变点分析中的一个限制性假设是“在无变点的原假设下的平稳性”，这对于渐近理论是至关重要的，但从实际的角度来看是不太现实的。例如，如果执行相关性的变点分析，即使相关性没有变化，也不一定清楚平均值、边际方差或高阶矩是恒定的。本文在较少限制的假设条件下，发展了相关结构的变点分析方法。与以前的工作相比，我们的方法不要求均值，方差和四阶联合累积量是恒定的原假设下。此外，我们还解决了检测相关变化点的问题。
2018-01-30 stat.ME
Two-Sample and Change-Point Inference for Non-Euclidean Valued Time Series
本文针对一般度量空间中具有时间相依性的非欧几里得数据，提出基于自正则化的两样本检验与变点检测方法，推导其理论性质并通过模拟和死亡率、加密货币数据验证其有效性。
2023-07-10 stat.ME
Nonparametric data segmentation in multivariate time series via joint characteristic functions
提出非参数方法NP-MOJO，利用联合特征函数检测多元时间序列中边际分布及非线性序列依赖的变点，无需预设变化类型，理论一致且在地震与经济数据中表现良好。
2025-08-05 stat.ME
Simultaneous multiple change-point and factor analysis for high-dimensional time series
我们提出了第一个全面的治疗高维时间序列因子模型与多个变点在其二阶结构。我们在分段平稳性的最灵活的定义下操作，并一致地估计变点的数量和位置，以及确定它们是否起源于共同或特殊的组件。利用小波变换，将高维时间序列二阶结构的变点检测问题转化为高维面板数据的变点检测问题。此外，我们的方法规避了困难的问题，准确估计的真实数量的因素存在多个变点，通过采用筛选程序。我们进一步表明，一致的因素分析，实现了在每个部分所定义的变点估计所提出的方法。在广泛的模拟研究中，我们观察到，变点检测前的因素分析提高了变点的可检测性，并确定和描述了一个有趣的“溢出”效应，其中特质成分中的实质性突破很自然地被确定为共同成分中的变点，这促使我们将相应的变点也视为一种形式的“因素”。我们的方法是在R包{ \tt factorcpt}中实现的，可从CRAN获得。
2018-05-29 stat.ME
Modeling large dimensional matrix time series with partially known and latent factors
本文通过在矩阵因子模型中引入回归项，提出一种融合已知因子与潜在因子的高维矩阵时间序列建模方法，并给出收敛速率及实证验证。
2024-11-25 stat.ME
Robust tests for parameter change in conditionally heteroscedastic time series models
Kyungpook National University（庆北国立大学）
本文提出了一种基于残差的稳健CUSUM检验，用于检测条件异方差时间序列模型中的参数变化，并通过模拟和比特币数据验证了其对异常值的稳健性。
2026-09-01 stat.ME
Dynamic time series clustering via volatility change-points
本说明概述了一种根据波动性在未观察到的变点发生变化的统计模型对时间序列进行聚类的方法。该模型容纳了一些经典的风格化特征的回报和它的关系，Gestival进行了讨论。使用与每个系列相关的最近变化点的后验分布之间评估的概率距离进行聚类。这意味着如果有证据表明它们各自的波动率最近的变化是一致的或时间接近的，那么系列在给定的时间被分组在一起。聚类方法是动态的，因为分组可以在数据到达时以在线方式更新。数值结果给出分析的S&P 500的成分的每日收益。
2019-06-25 q-fin.ST stat.ME
Network Modeling of Asynchronous Change-Points in Multivariate Time Series
本文提出一种基于潜在有向图和分层先验的贝叶斯方法，用于检测多元时间序列中的异步变点及其领先-滞后网络结构，并在模拟与地震学、神经病学真实数据中验证了其优于竞争方法的性能。
2025-08-27 stat.AP stat.ME
Change-Point Testing for Risk Measures in Time Series
本文提出弱相依时间序列中期望短缺等风险度量非参数估计量的多变点检验方法，利用自归一化避免标准误估计，并基于函数中心极限定理，实证用于检测金融收益率尾部不稳定性。
2025-10-05 econ.EM stat.ME
A Bayesian Change Point Model for Detecting Land Cover Changes in MODIS Time Series
变点检测是遥感领域的一项核心任务，也是其他涉及时间序列数据的领域中的一个普遍问题。然而，在变点检测过程中，对缺失数据的处理和对多变量时间序列结构的适当利用仍然缺乏。多光谱，高时间分辨率时间序列数据从美国宇航局的中分辨率成像光谱仪（MODIS）仪器提供了一个有吸引力的和具有挑战性的背景下，有助于变点检测文献。为了更好地监测土地覆盖的变化，使用MODIS数据，我们提出了一种新的方法来确定的时间段，在该地区经历一些转换类型的土地覆盖变化。也就是说，我们提出了一种方法，参数估计和变化点检测的缺失数据的存在下，它利用了高维的MODIS数据。我们测试我们的方法在模拟研究中的质量，以及当代的变点方法，并将其应用在亚马逊河流域的新谷河流域的案例研究。我们的方法不仅保持了高精度，但可以提供洞察通过土地覆盖转换概率发生的变化类型。通过这种方式，我们可以更好地描述在我们的研究领域相比，传统的变点方法的森林干扰的数量和类型。
2015-03-31 stat.AP stat.ME
The DeepCAR Method: Forecasting Time-Series Data That Have Change Points
Ruhr-University Bochum（波鸿鲁尔大学）
时间序列预测的许多方法在经典统计学中是已知的，例如自回归，移动平均和指数平滑。DeepAR框架是一种基于深度学习的新型时间序列预测方法。DeepAR已经显示出非常有希望的结果。然而，时间序列通常有变化点，这会大大降低DeepAR的预测性能。本文通过检测和包含这些变化点来扩展DeepAR框架。我们表明，当没有变化点时，我们的方法的性能与标准DeepAR一样好，当有变化点时，性能要好得多。更一般地说，我们表明批量大小提供了一种有效且令人惊讶的简单方法来处理DeepAR，Transformers和其他现代预测模型中的变化点。
2023-02-22 cs.AI cs.LG stat.ME
Inference for Multiple Change-points in Piecewise Locally Stationary Time Series
The Hang Seng University of Hong Kong（香港恒生大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出了一种基于似然的方法，用于推断局部平稳时间序列中的多个转折点，区分跳跃和拐点，并建立了相应的渐近分布。
2026-01-15 math.ST stat.ME stat.TH
Bayesian Changepoint Estimation for Spatially Indexed Functional Time Series
我们提出了一个贝叶斯分层模型，同时估计基于空间相关的功能时间序列的变化点的均值。与以前的方法，假设在所有空间位置共享的变点或忽略空间相关性，我们的方法将变点作为一个空间过程。这使得我们的模型能够尊重空间异质性，并利用空间相关性来改善估计。我们的方法是来自无处不在的累积和（AUCUM）统计，占主导地位的功能时间序列中的变点检测。然而，而不是直接搜索的最大值的基于的过程，我们建立空间相关的两件线性模型与适当的方差结构，以定位所有的变化点一次。所提出的线性模型方法增加了我们的方法的鲁棒性，以变异性的CRAUM过程中，结合我们的空间相关性模型，提高了边缘附近的变点估计。我们通过广泛的模拟研究表明，我们的方法优于现有的功能变点估计的估计精度和不确定性量化方面，无论是弱和强的空间相关性，弱和强的变化信号。最后，我们使用温度数据集和2019年冠状病毒病（COVID-19）研究来证明我们的方法。
2022-01-08 stat.AP stat.ME
Detecting Change-Points in Time Series by Maximum Mean Discrepancy of Ordinal Pattern Distributions
作为一种新的检测高分辨率时间序列中变点的方法，我们将最大均值离散化应用于时间序列不同部分的有序模式的分布。这种方法的主要优点是它的计算简单性和鲁棒性（非线性）单调变换，这使得它特别适合于长的生物物理时间序列的测量设备的精确校准是未知的或随时间变化的分析。我们建立的方法的一致性，并在模拟研究中评估其性能。此外，我们展示了应用程序的分析脑电图（EEG）和心电图（ECG）记录。
2012-10-16 cs.CE stat.ME
Testing for change in mean of heteroskedastic time series
本文考虑了一种拉格朗日乘数型检验（LM），用于检测具有未知形式异方差的时间序列的均值变化。我们得到了极限分布下的零，并证明了一致性的测试对替代的突然或平滑的变化的意思。我们还进行了一些蒙特卡罗模拟来分析的大小失真和功率的建议测试。我们得出的结论是，对于中等样本量，该测试具有良好的性能。最后，我们使用标准普尔500指数的每日收盘水平进行了实证应用，以说明所提出的测试的有用性。
2011-02-26 q-fin.ST stat.ME
On Detecting Multiple Simultaneous Change-points in High Dimensional Non-Stationary Time Series
University of North Florida（北佛罗里达大学）
本文提出基于标准与自适应融合组套索的方法检测高维非平稳时间序列中的多个同时变点，证明了其L_2和L_0一致性，并通过美国50年经济金融数据验证了性能。
2026-09-15 stat.ME stat.ML
A comparison of two methods for detecting abrupt changes in the variance of climatic time series
两种方法检测突变的方差，集成的累积平方和（ICSS）和顺序政权转移检测器（SRSD），已在合成和观察到的时间序列进行了比较。在蒙特卡罗实验中，SRSD优于ICSS在绝大多数的建模方案与不同序列的方差制度。SRSD的优势在系列中的离群值的情况下特别明显。当对气候时间序列进行测试时，在大多数情况下，两种方法在较长的序列（252-787个月的值）中检测到相同的变化点。唯一的例外是北冰洋SST系列，当时ICSS发现了一个似乎是虚假的额外变化点。至于较短的时间序列（66-136年的值），ICSS未能检测到任何变化点，即使方差从一个政权到另一个政权的两倍或三倍。对于这些时间序列，建议使用SRSD。有趣的是，从北极到热带，所有测试的气候时间序列都有一个共同点：在这些序列中检测到的最后一次变化都是朝着高方差区域。这与近几十年来气候变率增加的其他发现是一致的。
2016-02-29 physics.ao-ph stat.AP stat.ME
Simultaneous Detection of Multiple Change Points and Community Structures in Time Series of Networks
在许多复杂系统中，网络和图以自然的方式出现。通常，时间演化行为可以很容易地发现和建模使用时间序列方法。其中，网络分析中两个常见的研究问题是社区发现和变点检测。社区发现的目的是发现网络中的特定子结构，而变点检测则试图发现子结构发生变化的时间点。我们提出了一种新的方法来检测社区结构和变化点同时基于模型选择框架，其中最小描述长度原则（MDL）被用作最小化的客观标准。一系列的数值实验和实际数据分析表明，该方法具有良好的实用性能。
2020-06-30 cs.SI physics.soc-ph stat.ME
A Comparison of Single and Multiple Changepoint Techniques for Time Series Data
本文介绍和比较了几个突出的单变点和多变点技术的时间序列数据。由于变点在推理中的重要性，相关数据的变点研究近年来得到了加速。不幸的是，模型假设中的小扰动可能会极大地改变变点结论;例如，如果忽略相关性，时间序列中的严重正相关性可能会被错误地归因于均值漂移。本文考虑了单变点和多变点技术。本文首先研究了单变点问题的累积和（Cumulative sum，Cumulative sum）和似然比检验及其变体;在这里，各种统计数据、边界裁剪场景和缩放方法（例如，缩放到极值或布朗桥极限）进行比较。最近开发的测试的基础上求和平方的统计在所有时间被证明具有现实的第一类错误和优越的检测能力。然后，论文转向多个变点设置。在这里，受惩罚的可能性驱动了讨论，AIC，BIC，mBIC和MDL惩罚被考虑在内。二进制和野生二进制分割技术进行了比较。我们引入了一个新的距离度量，专门设计来比较两个多变点分割。讨论了算法和计算问题，并提供模拟来支持所有结论。最后，多个变点设置承认没有明确的方法论赢家，性能取决于特定的场景。尽管如此，还是会出现一些实际指导。
2021-01-06 stat.CO stat.ME
Detecting changepoints in globally-indexed functional time series
本文针对球面空间索引的函数型时间序列，提出检测不同位置、不同时间变点的检验统计量，并通过模拟、简化气候模型和再分析数据验证其在识别1991年皮纳图博火山喷发相关平流层温度变化中的有效性。
2023-08-11 stat.AP stat.ME
Factor Modelling for Clustering High-dimensional Time Series
我们提出了一种新的无监督学习方法聚类大量的时间序列的基础上的潜在因素结构。除了影响所有相关时间序列的一些公共因子之外，每个聚类的特征在于其自身的聚类特殊因子。我们的设置还提供了一些灵活性，即某些时间序列可能不属于任何聚类。对于公共因子、簇-特殊因子、潜在簇的估计，建立了与显式收敛速度的一致性。数值说明与模拟数据以及一个真实的数据的例子也报告。作为一个副产品，提出的新方法还显着推进了Lam和Yao（2012）的因子模型的统计推断。
2022-09-08 math.ST stat.ME stat.TH
Dynamic Matrix Factor Models for High Dimensional Time Series
本文提出双组件动态矩阵因子模型，通过为潜在因子引入矩阵自回归结构，使矩阵因子模型具备预测能力，并给出估计方法、理论性质及模拟和纽约出租车数据实证验证。
2024-07-08 econ.EM stat.ME
Bayesian Model for Multiple Change-points Detection in Multivariate Time Series
本文研究了多变量时间序列中的变点检测问题。所提出的方法与现有的同行不同，只做弱假设的变点结构跨系列，和统计信号分布。具体而言，不假设变化点发生在跨系列的同时时刻，并且不假设单个信号的特定分布。它依赖于对单个时间段进行的局部鲁棒统计测试与能够从多个局部统计（从唯一时间序列或多个时间序列的段）优化配置的全局贝叶斯框架的组合。使用广泛的实验设置，我们的算法表现良好的高斯数据，与经典的方法，如融合套索和伯努利高斯模型的召回率和精度相同的结果。此外，它优于参考模型的情况下，非正态数据与离群值。确认通过验收水平对错误发现率的控制。在多变量数据的情况下，学习同时变化点被某些特定时间序列共享的概率。最后，我们用来自能源监测和基因组学的真实数据集来说明我们的算法。分割相比，国家的最先进的方法的基础上融合套索和组融合套索。
2014-07-11 math.ST stat.ME stat.TH
Detecting changes in cross-sectional dependence in multivariate time series
经典的和最近的测试检测分布变化的多元时间序列往往缺乏权力对替代品，涉及变化的横截面依赖结构。为了能够更好地检测这种变化，测试介绍了最近研究的变异的顺序经验copula过程的基础上。与早期的尝试相比，排名是相对于相关子样本计算的，对测试的灵敏度有好处。对于p值的计算，我们提出了一个乘数reservation计划，考虑到串行依赖。建立了检验统计量的大样本理论和检验方案。有限样本的性能的程序进行评估，通过蒙特卡罗模拟。两个案例研究，涉及财务回报的时间序列。
2014-05-21 math.ST stat.ME stat.TH
Structural Change in (Economic) Time Series
检测时间序列数据中的结构变化或变化点的方法广泛应用于科学和工程的许多领域。本章概述了分析时间序列数据结构变化的一些基本方法。论述仅限于单变量时间序列的回顾性方法。使用跨越60多年的石油价格时间序列比较了最近几种确定结构变化年代的方法。该方法大致同意的系列的第一部分，直到20世纪80年代中期，其中的变化与重大历史事件，但提供了一些不同的解决方案，此后，反映了石油价格的逐步增加，是不是很好地描述了一个阶梯函数。作为进一步的说明，1990年代的恒生股票市场指数的波动数据进行了重新分析。
2017-02-17 physics.data-an q-fin.ST stat.AP
Online Change Detection in SAR Time-Series with Kronecker Product Structured Scaled Gaussian Models
本文利用Kronecker积结构尺度高斯模型的信息几何，提出基于递归黎曼梯度下降的在线变化检测算法，在保持恒定计算成本的同时达到固有Cramér-Rao界，并在仿真与真实数据上验证了有效性。
2023-12-05 stat.AP stat.ME
Factor Models for High-Dimensional Tensor Time Series
由于现代数据收集能力，现在在广泛的应用中常规地收集大型张量（多维阵列）数据。这些观测通常是随时间进行的，形成张量时间序列。本文提出了一种分析高维动态张量时间序列和多类动态运输网络的因子模型方法。两个估计程序，以及它们的理论性质和仿真结果。两个应用程序被用来说明模型和它的解释。
2020-05-19 math.ST stat.ME stat.TH
Model-based clustering with Hidden Markov Model regression for time series with regime changes
Paris Nord University（巴黎第十三大学）；IFSTTAR（法国交通与安全科学技术研究所）；Heudiasyc Lab（Heudiasyc实验室）
本文介绍了一种新的基于模型的聚类方法聚类时间序列，目前的政权变化。它由隐藏的马尔可夫链控制的多项式回归的混合物组成。每个簇的潜在隐藏过程在时间上连续激活几个多项式机制。参数估计通过专用期望最大化（EM）算法采用极大似然法进行。所提出的方法进行评估，使用模拟时间序列和现实世界的时间序列从铁路诊断应用程序发出。与现有的时间序列聚类方法，包括高斯混合的标准EM，$K$均值聚类，标准混合回归模型和混合隐马尔可夫模型的比较，证明了该方法的有效性。
2013-12-25 cs.LG stat.ME stat.ML
Changepoint Detection in Categorical Time Series with Application to Daily Total Cloud Cover in Canada
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Climate Research Division, Science and Technology Branch, Environment and Climate Change Canada（加拿大环境与气候变化部科技处气候研究司）
本文提出了一种边际过渡模型，用于检测周期性和序列相关类别时间序列中的单个突变点，通过马尔可夫链捕捉序列依赖性，并利用最大似然估计方法提高计算效率，以检测类别时间序列中的突然变化。
2026-05-20 stat.AP stat.CO stat.ME
Functional estimation and change detection for nonstationary time series
时间序列中结构突变的测试在理想情况下应该对感兴趣的参数中的突变敏感，同时对干扰变化具有鲁棒性。因此，统计分析需要在无变化的原假设下考虑某种形式的非平稳性。本文构造了局部平稳时间序列综合参数的估计量，并建立了相应的泛函中心极限定理，使得在较弱的假设下，能对广泛的一类参数进行变点推断.所提出的框架涵盖了所有的参数，可以表示为非线性函数的时刻，例如峰度，自相关，系数在线性回归模型。为了进行基于导出的极限分布的可行推理，提出了一种自助变体，并建立了它的一致性。通过模拟研究和高频资产价格的应用说明了该方法。
2022-12-01 math.ST stat.ME stat.TH
Inference for Multiple Change-points in Linear and Non-linear Time Series Models
本文提出了一种用于分段平稳时间序列多变点推断的广义似然比扫描方法（GLRSM），该方法估计变点的个数和位置，并为每个变点提供一个置信区间。对于一系列长度为$n$的序列，使用GLRSM进行多个变点检测的计算复杂性度低至$O(n(\log n)^3)$。一致性的估计数量和位置的变化点的建立。广泛的模拟研究，以证明所提出的方法在不同的情况下的有效性。
2017-03-02 math.ST stat.TH
Frequency Detection and Change Point Estimation for Time Series of Complex Oscillation
针对非平稳噪声污染的复杂振荡时间序列，提出高维稠密渐进周期图检验与频域相位调整局部变点检测方法，可渐近准确检测频率与变点，适用于生理信号分析，并建立了相关高斯逼近与bootstrap方法。
2023-07-19 math.ST stat.ME stat.TH
Factor Strength Estimation in Vector and Matrix Time Series Factor Models
本文面向向量与矩阵时间序列因子模型，提出可同时估计局部与非局部弱因子强度的估计量，证明其一致性与收敛速率，并通过模拟和纽约出租车数据验证有效性。
2024-05-12 math.ST stat.ME stat.TH
Good Practices and Common Pitfalls in Climate Time Series Changepoint Techniques: A Review
气候变点（均质化）方法今天比比皆是，在气候和统计文献中存在无数的技术。不幸的是，许多人仍然不清楚使用适当的变点技术。更复杂的问题是，变点结论对假设中的小扰动不具有鲁棒性;例如，考虑到序列中的趋势或相关性可能会大大改变结论。本文是对变点主题的回顾，重点是阐明允许科学家做出可靠结论的模型和技术。通过实际应用证明了要避免的陷阱。论述首先叙述了大多数气候时间序列的显著统计特征。此后，单和多变点问题被认为是。在此过程中讨论了几个陷阱，并推荐了良好做法。虽然我们的大多数应用涉及温度系列，但也提到了其他设置。
2022-12-06 stat.AP
Autocovariance Estimation in the Presence of Changepoints
本文研究了均值漂移个数未知数时平稳自协方差结构的估计问题。本文提出并研究了受均值漂移变点污染的相依时间序列中自回归参数的Yule-Walker矩估计。该估计是基于序列的一阶差分，并且当变点数$m$和序列长度$N$满足$m/N \rightarrow 0$为$N \rightarrow \infty$时，证明了该估计是一致的和渐近正态的
2021-02-24 math.ST stat.ME stat.TH
Monitoring Time Series for Relevant Changes
本文提出一种在线监测时间序列均值是否持续保持在初始值附近狭窄走廊内的新方法，结合多点变点检测与Hölder型监测程序，并通过模拟和医疗、民意调查两个实际应用验证其有效性。
2025-09-01 math.ST stat.ME stat.TH
Multiple Change Point Estimation in Stationary Ergodic Time Series
给定一个异质时间序列样本，目标是找到生成数据的概率分布发生变化的时间点（称为变化点）。数据被假定为已产生的任意未知的平稳遍历分布。没有建模、独立性或混合假设。提出了一种新的，计算效率高，非参数的方法，并证明是渐近一致的，在这个一般的框架。理论结果与实验评价的补充。
2015-05-11 cs.IT math.IT math.ST
Vertex misalignment and changepoint localization in network time series
研究网络时间序列中顶点对齐对突变点定位的影响，通过两种模型展示边际与联合分布中突变点信息的差异，比较从平均度到欧几里得镜像的多种定位技术。
2026-10-22 math.ST stat.ME stat.TH
Estimation for Latent Factor Models for High-Dimensional Time Series
研究了基于公共因子的高维时间序列降维问题。特别地，我们允许时间序列$p$的维度与样本大小$n$一样大，甚至更大。通过对$p\times p$非负定矩阵的特征分析，对因子载荷矩阵和因子过程本身进行估计。我们发现，当所有的因素是强的意义上说，在因子加载矩阵中的每一列的范数是$p^{1/2}$的顺序，估计因子加载矩阵，以及由此产生的估计精度矩阵的原始$p$ -变体时间序列，弱一致的$L_2$ -范数与独立的$p$的收敛速度。这个结果清楚地表明，在维度上，“诅咒”被“祝福”所抵消。我们还建立了估计的渐近性质时，并非所有的因素都是强的。对于后一种情况，一个两步估计程序是优选的，因此渐近理论。所提出的方法连同其渐近性质进一步说明了在模拟研究。一个实际的数据集的应用程序也报告。
2010-06-14 math.ST stat.ME stat.TH
Robust change point tests by bounded transformations
经典的基于矩的变点检验，如累积和检验，在具有一个变点的高斯时间序列的情况下非常强大，但在重尾分布和损坏的数据下表现不佳。提出了一类新的基于稳健变换观测值的累积和统计量的稳健变点检验方法。这个框架是相当灵活的，取决于所使用的变换，可以检测例如可能的多元时间序列的均值、尺度或依赖性的变化。仿真结果表明，这种方法是非常强大的，在检测的边缘方差的变化，重尾多元时间序列的依赖结构检测结构突变的过程中，优于现有的建议。
2019-05-15 math.ST stat.ME stat.TH
Matrix factorization for multivariate time series analysis
矩阵分解是一个强大的数据分析工具。它已被用于多元时间序列分析，导致在一个小的潜在因素的一组序列的分解。然而，关于矩阵分解在时间序列中的统计性能却知之甚少。在本文中，我们扩展的结果，已知的矩阵估计的独立同分布设置时间序列。此外，我们证明了当级数表现出一些额外的结构，如周期性或光滑性时，有可能提高经典的收敛速度。
2019-10-12 math.ST stat.TH
Change-point tests for the tail parameter of Long Memory Stochastic Volatility time series
我们考虑基于Hill估计的变点检验来检验长记忆随机波动率时间序列尾部指标的结构变化。为了确定相应检验统计量的渐近分布，我们证明了两参数Skorohod空间中尾部经验过程的一致约化原理。它表明，这样的过程显示了二分行为根据之间的相互作用的赫斯特参数，即，表征数据中的依赖性的参数和尾部索引。我们的理论结果是伴随着模拟研究和分析金融时间序列方面的结构变化的尾部指数。
2020-06-04 math.ST stat.TH
Testing for parameter change in general integer-valued time series
研究一类离散值时间序列的结构变化，即条件分布服从单参数指数族。我们提出了一个基于模型参数的极大似然估计的变点检验。在（无变化）的原假设下，检验统计量收敛于已知分布，允许计算检验的临界值。检验统计量在备选项下发散到无穷大，即检验渐近具有功效1。一些模拟结果和实际数据的应用报告显示的测试程序的适用性。
2016-02-28 math.ST stat.TH
Power of Weighted Test Statistics for Structural Change in Time Series
研究常见变点检验的功效与变点位置的关系，基于加权U统计量最大值，发现在时间区间两端变化时加权检验功效更强，中心处减弱。
2023-04-03 math.PR math.ST stat.TH
Model-based clustering and segmentation of time series with changes in regime
Université de Technologie de Compiègne（贡比涅技术大学）；Institut Français des Sciences et Technologies des Transports, de l’Aménagement et des Réseaux（法国交通、规划与网络科学技术研究所）
基于混合模型的聚类方法，由于其良好的统计特性和期望最大化（EM）算法的简单实现，通常应用于多维数据，已成为许多数据分析问题中的一种流行方法。在铁路应用程序的背景下，本文介绍了一种新的混合模型，用于处理时间序列是受政权的变化。所提出的方法包括在每个集群建模的回归模型，其中的多项式系数根据一个离散的隐藏过程而变化。特别是，这种方法利用逻辑函数来模拟政权之间的（平滑或突然）过渡。模型参数估计的极大似然法求解的期望最大化算法。所提出的方法也可以被看作是一种聚类方法，其通过寻找具有共同变化的时间序列组来操作。因此，除了提供时间序列分区之外，它还提供了时间序列分段。通过贝叶斯信息准则（BIC）解决了选择最佳聚类数和分段数的问题。所提出的方法被证明是有效的，使用各种模拟的时间序列和现实世界的时间序列的电力消耗从铁路开关操作。
2013-12-25 cs.LG math.ST stat.ME
ALPS: A Unified Framework for Modeling Time Series of Land Ice Changes
时间序列建模是冰冻圈科学的一个研究热点，这是由于所研究事件的复杂性和多尺度性。从不同传感器以不同的准确度对测量结果进行高度不均匀的采样，这对于冰盖高程的测量来说是典型的，这使得问题更具挑战性。在本文中，我们提出了一个基于样条的近似框架（ALPS -近似局部惩罚样条）的陆地冰变化的时间序列建模。B样条基函数的局部化支持使得对非均匀采样具有鲁棒性，这比其他全局和分段局部模型有相当大的改进。通过基于离散坐标差的惩罚和两级离群值检测等功能，ALPS进一步保证了近似的稳定性和质量。ALPS将严格的模型不确定性估计与所有近似值结合起来。如通过实例所示，ALPS表现良好的各种数据集，包括时间序列的冰盖厚度，海拔，速度和终端位置。对时间序列及其衍生物的稳健估计促进了新的应用，例如通过将冰盖厚度变化的稀疏采样时间序列与模拟的积雪厚度变化相融合，重建高分辨率的海拔变化记录，以及分析不同出口冰川观测之间的关系，以获得对过程和强迫的新认识。
2020-07-09 stat.AP
Testing for change points in time series models and limiting theorems for NED sequences
本文首先建立了近历元相关序列前后向和的强大数律和强不变原理。利用这些极限定理，我们发展了一个一般的渐近理论的Wald测试的变点在一般类的时间序列模型下的无变点假设。作为一个应用，我们验证了我们的假设的长记忆分数ARIMA模型。
2007-08-17 math.ST stat.TH
Deep Learning for Multi-Scale Changepoint Detection in Multivariate Time Series
Stevens Institute of Technology（史蒂文斯理工学院）
许多真实世界的时间序列，例如健康，都有系统结构或参数发生变化的变点。由于变化点可以指示疾病发作等关键事件，因此检测它们非常重要。然而，现有的方法变点检测（CPD）往往需要用户指定的模型，不能识别逐渐发生的变化或在多个时间尺度。为了解决这两个问题，我们展示了如何将CPD视为一个监督学习问题，并提出了一个新的深度神经网络架构，以有效地识别多个时间尺度上的突变和渐变。我们提出的金字塔递归神经网络（PRN）提供了尺度不变性，使用小波和金字塔分析技术，从多尺度信号处理。通过对合成数据集和真实世界数据集的实验，我们表明PRN可以以比现有技术更高的准确度检测突变和渐变，并且可以外推以在训练中看不到的新尺度检测变化点。
2019-05-16 cs.LG stat.ML
Nuisance Parameters Free Changepoint Detection in Non-stationary Series
检测时间序列的平均值的突变，即所谓的变点，对于许多应用是重要的。然而，许多程序依赖于冗余参数（如长期方差）的估计。在另一种情况下（平均值的变化），估计器可能会有偏差，并且用于选择调优参数的数据自适应规则可能不会像预期的那样工作。如果数据不是平稳的，而是异方差的，这就变得更具挑战性。本文的目的是提出和调查两个变点测试，这既不涉及滋扰，也不调整参数。这是通过结合自规范化和野生自举来实现的。我们研究的渐近行为，并显示自举的一致性的假设下，以及根据替代，假设温和的条件下的弱依赖的时间序列，并允许方差随时间变化。作为所提出的测试的副产品，一个变点估计，并证明其一致性。结果表明，通过模拟研究，这表明计算效率的开发方法。新的测试也将应用于金融和水文的真实数据示例。
2018-08-13 math.ST stat.TH
Detecting multiple change-points in general causal time series using penalized quasi-likelihood
本文研究了半参数框架下的离线多变点检测问题。假设时间序列属于一大类模型，包括AR（$\infty$）、AR（$\infty$）、TAR（$\infty$）、.模型中的系数在每一个瞬间的休息改变。不同的未知参数（数量的变化，变化日期和参数的连续模型）估计使用的惩罚对比建立在条件准似然。在Lipshitzian条件下，证明了当过程的矩阶$r$满足$r\geq 2$时估计的相合性.如果是$r\geq 4$，则估计量的收敛速度与独立随机变量的情况相同。对AR（$\infty$）、AR（$\infty$）和AR（$\infty$）的特殊情况的分析表明，本文的方法明显改进了已有的结果.
2010-07-31 math.ST stat.TH
Estimation of the long-run variance of nonlinear time series with an application to change point analysis
本文针对伯努利位移类非线性时间序列，建立了长期方差平滑周期图估计量的渐近正态性，并将其应用于均值变点与长程依赖性的区分检验，通过模拟验证了方法性能。
2025-05-08 math.ST stat.TH
A consistent clustering-based approach to estimating the number of change-points in highly dependent time-series
INRIA（法国国家信息与自动化研究所）
在一般框架下研究了由未知平稳遍历过程分布产生的变点估计问题。在这种情况下，一致的估计变点的数量是不可能的。然而，它示出，一致的聚类方法可以被用来估计的变化点的数量，在额外的约束下，提供的正确数量的过程分布，生成的数据。这个额外的参数在许多现实世界的应用中有一个自然的解释。提出了一种算法，估计变点的数量和定位的变化。所提出的算法被证明是渐近一致的，其经验评估。
2013-02-14 cs.IT cs.LG math.IT
Factorization of a spectral density with smooth eigenvalues of a multidimensional stationary time series
本文将一维光滑谱密度的经典结果推广到多维情形，通过显式因式分解谱密度来计算Wold表示的组成部分，从而为多维平稳时间序列的最佳线性预测提供理论基础。
2023-02-26 math.PR math.SP math.ST
