多变点的非分段贝叶斯检测
统计方法学
2023-06-19 v2 应用统计
摘要
我们提出一种新颖且通用的非分段（NOSE）多变点检测方法。NOSE通过跳跃高度后验估计的不可忽略性来识别变点。另一种方式下，在贝叶斯范式下，NOSE将阶梯信号视为从所提出的原子表示过程中抽取的一个全局无限维参数，其中随机跳跃高度同时决定变点的位置与数量。随机跳跃高度进一步由离散尖峰- slab形式的Gamma-Indian buffet过程收缩先验建模。由此诱导的跳跃高度最大后验估计是一致的，并在3-sigma准则下的判别中享有零递减的假阴性率。NOSE的成功由后验推断结果保证，如后验收缩速率的极小极大性，以及位置和突变数量的双后验一致性。NOSE适用且有效地检测线性或自回归模型下回归系数的尺度偏移、均值偏移与结构变化。综合模拟与若干真实示例展示了NOSE在各种数据设置下检测突变的优越性。
引用
@article{arxiv.2209.14995,
title = {Non-segmental Bayesian Detection of Multiple Change-points},
author = {Chong Zhong and Zhihua Ma and Xu Zhang and Catherine C. Liu},
journal= {arXiv preprint arXiv:2209.14995},
year = {2023}
}