通用时间序列模型谱密度中的最优变点检测与推断
统计方法学
2025-05-06 v2 统计理论
应用统计
统计理论
摘要
本文解决检测时间序列谱密度中变点的问题，灵感来自对癫痫患者脑电图（EEG）的分析。癫痫会打破相干性和功能连接， necessitating 精确检测。我们采用 Wold 分解方法，对一般时间序列进行建模，将其表示为具有无限滞后项的自回归过程，在变点附近进行截断和估计。我们的检测程序采用初始估计器，系统地搜索各时间点。我们考察局部化误差及其对时间序列特性和样本量的依赖。为提高精度，我们引入一种渐近分布的 optimal rate 方法，以构建置信区间。该方法有效识别 EEG 数据中的癫痫发作发生点，并可推广至视频数据中的事件检测。综合数值实验表明其优于现有技术。
引用
@article{arxiv.2503.23211,
title = {Optimal Change Point Detection and Inference in the Spectral Density of General Time Series Models},
author = {Sepideh Mosaferi and Abolfazl Safikhani and Peiliang Bai},
journal= {arXiv preprint arXiv:2503.23211},
year = {2025}
}
备注
Fixed minor typos in V1