Change-point estimation for Weibull time series with copula-based Markov models
National Central University（中央大学）；University of Tennessee Health Science Center（田纳西健康科学中心）；Texas A&M University（德克萨斯农工大学）
针对具有非线性序列依赖的时间序列，提出基于Copula的马尔可夫链模型（威布尔边缘分布），通过Clayton和Joe copula捕捉非对称尾部依赖，利用牛顿-拉夫逊算法进行最大似然估计变点，并采用参数自助法构建置信区间。
2026-05-28 q-fin.ST stat.ME
CHASM: Online Changepoint Detection in Temporal and Cross-Variable Dependence
Imperial College London（帝国理工学院）
CHASM提出一种在线非参数方法，通过监控递归估计的动态模态分解算子的截断特征值序列，用于检测时间序列中时间与跨变量依赖的变化点，具有高适应性和可部署性。
2026-05-08 stat.ME
Change points and temporal dependence in reconstructions of annual temperature: Did Europe experience a Little Ice Age?
我们分析的时间和程度的北欧温度下降在小冰期，使用标准的温度重建。然而，我们几乎找不到20世纪之前欧洲天气的时间依赖性或结构性突变的证据。相反，15 ~ 19世纪的欧洲气候类似于一个具有恒定平均值（尽管偶尔有几十年夏季温度明显较低）和方差的分布的不相关绘制，同样的行为可以暂时追溯到12世纪。我们的研究结果表明，在北欧的小冰期观测条件是一致的随机气候变率。关于明显寒冷条件的现有共识可能部分源于斯卢茨基效应，当潜在的时间序列是白噪声时，平滑数据给出了不规则振荡的虚假外观。
2014-11-20 stat.AP
SCAN: Sequentially Detecting Change-points via Adaptive Nonparametric Inference
School of Mathematics and Statistics, University of Melbourne（墨尔本大学数学与统计学院）；Walter and Eliza Hall Institute, University of Melbourne（沃尔特和伊丽莎霍尔研究所）
研究针对长序列依赖时间序列的变点检测问题，提出SCAN方法，通过多窗口集成等技术提升检测性能，在模拟和真实数据上表现优于竞争方法，对应软件包已开源。
2026-08-31 stat.CO stat.ME
Factor Analysis for High-Dimensional Time Series with Change Point
我们考虑高维时间序列的变点潜在因子模型，其中潜在因子结构中可能存在结构性突变。特别地，我们提出了变点前后因子载荷空间的相合估计量，并考虑了变点位置的估计问题。与已有的高维时间序列变点因子分析结果相比，本文的一个显著特点是，我们的结果允许强的横截面依赖噪声过程。为了适应未知程度的横截面依赖强度，我们提出了使用自归一化来量化的变点检验统计量。数值实验，包括蒙特卡罗模拟研究和实际数据的应用，以说明所提出的方法。
2019-07-22 stat.ME
Some results on change-point detection in cross-sectional dependence of multivariate data with changes in marginal distributions
随机向量法则中的断点检测测试已经在几篇论文中提出。然而，他们往往很少权力的替代品涉及的变化之间的依赖关系的向量。在最近的论文中已经提出了用于检测随机向量的copula的变化的具体测试，但是它们不允许在没有保证金恒定的条件下得出依赖结构的变化的结论。本文的目的是提出一个测试时，在边缘分布的变化发生在一个已知的时刻，在Copula的检测中断。该测试的性能说明了Monte Carlo模拟。
2016-03-25 math.ST stat.TH
Detecting abrupt changes of the long-range dependence or the self-similarity of a Gaussian process
本文证明了对于高斯过程的一个样本，长程相关或自相似参数突变的$m$时刻（$m$已知）的估计满足一个极限定理，并具有显式的收敛速度.在每个假设参数不变的估计区域内，建立了参数（长程相关、自相似）估计的中心极限定理，并建立了拟合优度检验. { \it引用这篇文章：J.M.巴尔代岛卡门角R. Acad. Sci. Paris，Ser. I 340（2007）.}
2008-04-28 math.ST stat.TH
Change-Point Detection under Dependence Based on Two-Sample U-Statistics
本文研究了时间序列中变点的检测问题。用于检测平均值跳跃的经典的CIMUM统计量已知对离群值敏感。因此，我们提出了一个强大的测试Wilcoxon双样本检验统计量的基础上。该检验的渐近分布可以从两样本U-统计量的泛函中心极限定理导出。我们将Csorgo和Horvath的一个定理推广到相依数据的情形。
2013-04-09 math.ST stat.TH
Multiple change-points detection based on U-Statistics under weak dependence
Chouaib Doukkali University（舒艾卜杜卡利大学）
本文提出基于U统计量的多重转折点检测方法，适用于弱依赖序列，在绝对正则条件下证明测试一致性，并通过模拟验证其在检测均值、方差和自相关变化中的有效性。
2025-11-23 math.ST stat.TH
Testing for Change in Stochastic Volatility with Long Range Dependence
研究了长记忆随机波动率模型的变点问题。本文讨论了一个包含多种备择假设的一般检验问题。在平稳性假设下，导出了双曲型和Wilcoxon型检验统计量的极限性质。在此背景下，证明了长记忆随机波动率时间序列的双参数经验过程的一个极限定理。特别是，它示出的渐近分布的EQUUM检验统计量可能不受长记忆，不像Wilcoxon检验统计量，这是典型的长范围依赖性的影响。为了避免实际应用中对冗余参数的估计，提出了自归一化检验统计量的使用方法。理论结果是伴随着模拟研究，其特征的有限样本的行为时，考虑的测试程序测试的变化，平均值，方差，和尾部指数。
2017-06-20 math.ST stat.TH
Studentized U-quantile processes under dependence with applications to change-point analysis
许多流行的稳健估计是$U$ -分位数，最著名的是Hodges-Lehmann位置估计和$Q_n$尺度估计。在不作任何矩假设和弱短程相依条件下，证明了序列$U$ -分位数过程的泛函中心极限定理.我们进一步设计了一个估计的长期方差，并显示其一致性，从学生化版本的序列$U$ -分位数过程的标准布朗运动的收敛如下。该结果可用于构造基于$U$ -分位数的CANUM型变点检验，该检验不依赖于自举过程。我们详细展示了这种方法的例子中的Hodges-Lehmann估计稳健检测中心位置的变化。仿真研究证实了非常好的鲁棒性和效率性能的测试。两个真实的数据集进行了分析。
2016-03-18 math.ST stat.TH
Subsampling for General Statistics under Long Range Dependence with application to change point analysis
在对长程相关时间序列的统计推断中，极限分布的形状通常取决于未知参数。因此，我们建议使用子采样。我们证明了一般统计量和长程相关从属高斯过程满足轻度正则性条件的子采样的有效性。我们将我们的方法应用到一个自归一化的变点检验统计量，这样我们就可以在不需要估计任何冗余参数的情况下检验长范围相关时间序列中的结构突变。有限样本的性质进行了研究，在模拟研究。我们分析了三个数据集，并将我们的结果与其他作者的结论进行了比较。
2016-10-19 math.ST stat.TH
Change point estimation based on Wilcoxon tests in the presence of long-range dependence
我们考虑一个估计的位置移动的均值的长程相关序列。该估计基于双样本Wilcoxon统计量。一致性和收敛的收敛速率的估计的变化点建立。在一个恒定的移位高度的情况下，$1/n$的收敛速度（与$n$表示的观察的数量），这是典型的独立观察的假设下，也实现了长记忆序列。证明了当变点高度以一定的速率下降到$0$时，适当标准化的估计量按分布收敛于一个分数布朗运动的泛函.估计测试两个众所周知的数据集。有限样本的行为进行了研究，在Monte Carlo模拟研究。
2016-12-25 math.ST stat.TH
On the long range dependence of time-changed mixed fractional Brownian motion model
时变混合分数布朗运动是由混合分数布朗运动与其它过程叠加而成的迭代过程。本文考虑了参数a，b和H \in（0，1）随时间变化的混合分数阶布朗运动，它是由两个过程Gamma和Tempered稳定的从属过程所引起的.我们介绍了它们的主要性质，主要关注长程相关性。证明了伽玛时变分数阶布朗运动对所有H \in（0，1）都具有长程相关性.
2021-02-19 math.PR math.ST stat.TH
Optimal Change-point Testing for High-dimensional Linear Models with Temporal Dependence
本文针对具有时间依赖性的高维线性模型，提出一种二次型CUSUM变点检验统计量，证明其渐近最优性，并开发自适应参数估计与变点定位方法，通过数值实验和宏观经济学实际数据验证了方法的有效性。
2024-10-22 math.ST stat.TH
Change Point Estimation in Panel Data with Temporal and Cross-sectional Dependence
我们研究了基于均值漂移模型的大样本数据中的公共变点检测问题，其中误差表现出时间和横截面的依赖性。基于最小二乘法的程序被用来估计的位置的变化点。进一步，我们建立了最小二乘估计的收敛速度和渐近分布。分布的形式由变点前后均值的范数差的行为决定。由于这种规范差异的行为是，先验，未知的从业者，我们还开发了一种新的数据驱动的自适应程序，提供有效的置信区间的共同变化点，而不需要任何这样的知识。基于合成数据的数值计算表明，在不同的时间和横截面依赖性，样本量和面板数量的设置下，在有限样本的估计性能。最后，我们研究了金融股票数据的应用程序，并讨论了确定的变化点。
2019-04-25 math.ST stat.ME stat.TH
Change point detection in Network models: Preferential attachment and long range dependence
受现实世界复杂网络经验数据的启发，过去几年来，人们提出了大量的生成模型来理解和解释现实世界网络的观测属性，包括幂律度分布和“小世界”距离缩放。在这种情况下，一个自然的问题是{ \it变点}现象，了解驱动网络模型的参数的突然变化如何改变网络的结构特性。我们在一类流行的动态演化网络中研究这种现象：偏好连接模型。我们推导出网络的各种泛函的渐近性质，包括度分布以及最大度渐近性，本质上表明变点确实影响度分布，但{ \bf不}改变度指数。这进一步证明了在这种自增强系统中，过程的演化对过程的初始演化具有长程依赖性和敏感依赖性。然后，我们提出了一个估计的变化点，并证明了这个估计的一致性。开发的方法突出了经典的变点估计的网络演化的非遍历性的影响。
2015-08-09 math.PR math.ST stat.TH
Minimax lower bound for kink location estimators in a nonparametric regression model with long-range dependence
本文给出了分数阶白噪声模型中回归函数一阶导数变点估计在Minimax意义下的一个下界。类似的极小极大结果在该领域以前提出的重点在白噪声模型中的回归函数的导数的变化点，或考虑在相关误差的存在下的回归函数的估计。
2011-07-29 math.ST stat.TH
Data-driven semi-parametric detection of multiple changes in long-range dependent processes
本文研究了长相关过程的离线多变化检测问题。假设观测值满足半参数长程相关假设，每个阶段具有不同的记忆参数。一个惩罚的本地Whittle对比度被认为是估计所有的参数，特别是变化的数量。得到了一致性和收敛速度。Monte-Carlo实验证明了估计量的准确性。他们还表明，通过使用一个数据驱动的斜率启发式程序的惩罚参数的选择，改善了休息的数量的估计。
2018-12-29 math.ST stat.TH
Change, dependence, and discovery: Celebrating the work of T.L. Lai
AGT StatConsult；University of Texas at Austin（德克萨斯大学奥斯汀分校）；National Central University（中央大学）；Stony Brook University（石溪大学）
本文回顾Tze Leung Lai在序贯分析中的开创性工作，涵盖序贯假设检验、变点检测及非线性更新理论，并总结其最优性结果与生物统计应用。
2025-10-26 math.ST stat.OT stat.TH
Change point localization in dependent dynamic nonparametric random dot product graphs
本文研究了相依非参数随机点积图序列的离线变点定位问题。具体而言，假设在每个时间点，从非参数随机点积图模型\citep生成网络[参见例如]。[]{athreya 2017 statistical}，其中潜在位置是从未知的底层分布生成的。潜在的分布在时间上是分段恒定的，并且在未知的位置发生变化，称为变化点。最重要的是，我们允许两个连续变化点之间生成的网络之间的依赖性。这种设置结合了网络内的边缘依赖性和网络间的时间依赖性，这是已发表文献中最灵活的设置。为了完成一致定位变化点的任务，我们提出了一种新的变化点检测算法，包括两个步骤。首先，我们估计的随机点积模型的潜在位置，我们的理论结果是一个完善的版本的国家的最先进的结果，允许潜在位置的尺寸发散。随后，我们构建了一个非参数版本的统计量\citep [例如] []{Page 1954，padilla 2019 optimal}允许时间依赖性。一致的本地化的理论证明和支持广泛的数值实验，说明了国家的最先进的性能。我们还提供了可能的扩展的深入讨论，以提供更多的理解和见解。
2022-09-15 math.ST stat.ME stat.TH
Change point detection and inference in multivariable nonparametric models under mixing conditions
本文研究了多元非参数变点定位和推断问题。数据由具有潜在短程依赖性的多元时间序列组成。这些数据的分布被假设为分段常数，密度在Hölder类中。变化点或分布变化的时间是未知的。当最小跳跃大小消失或保持不变时，我们得到变点估计的极限分布，这是文献中关于变点设置的第一个。我们引入了两个新特性：一个一致的估计器，可以检测到短期依赖数据中何时发生变化，以及一个一致的块类型长期方差估计器。数值证据支持我们的理论结果。
2023-01-27 math.ST stat.ME stat.TH
Quantile Treatment Effects in Difference in Differences Models under Dependence Restrictions and with only Two Time Periods
本文表明，条件分位数处理效应对治疗组的影响可以使用以下两种假设的组合来确定：（i）条件分布差异假设和（ii）未治疗潜在结局变化与治疗组未治疗潜在结局初始水平之间的条件依赖性假设。第二个假设从未处理组的观察到的依赖性恢复未知的依赖性。我们还考虑估计和推断的情况下，所有的协变量是离散的。我们提出了一个统一的推理过程的基础上的可交换的引导，并证明了它的有效性。最后，我们通过估计州一级最低工资变化对按种族、性别和教育程度定义的子群体收入分布的影响来得出结论。
2017-02-13 math.ST stat.ME stat.TH
Separating Time-Varying Network Composition from Predictive Dependence under Noisy Network Measurement
Yale University（耶鲁大学）；The Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
该研究针对含噪声测量的时变网络，提出联合建模方法以分离网络构成变化与传递强度变化，通过贸易面板数据验证了方法的有效性，明确估计对象为预测依赖关系而非因果效应。
2026-08-26 math.ST stat.AP stat.CO
