最窄显著性追踪：线性模型中多变点的推断
统计方法学
2023-05-05 v6
摘要
我们提出最窄显著性追踪（NSP），一种通用且灵活的方法论，用于自动检测数据序列中各自必须包含一个变点（理解为底层线性模型参数的突变）的局部化区域，且置于给定的全局显著性水平下。NSP 适用于关于误差的广泛分布假设，并保证重要的随机界，其直接给出精确的期望覆盖概率，而与回归量的形式或数量无关。与广泛研究的“选择后推断”方法相反，NSP 为“推断后选择”这一概念铺平了道路。其实现可在 R 包 nsp 中获得（见 https://CRAN.R-project.org/package=nsp ）。
引用
@article{arxiv.2009.05431,
title = {Narrowest Significance Pursuit: inference for multiple change-points in linear models},
author = {Piotr Fryzlewicz},
journal= {arXiv preprint arXiv:2009.05431},
year = {2023}
}