函数型数据序列的可扩展多重变点检测
统计方法学
2021-10-22 v3
摘要
我们提出多重变点隔离（MCI）方法，用于检测函数型过程均值与协方差中的多个变化。我们首先引入一对投影来表示函数型观测“之间”与“之内”的变异性。随后给出一种增广融合 lasso 过程，将投影稳健地分割为多个区域。这些区域将每个变点相互隔离，从而可对每一区域施加强有力的单变量 CUSUM 统计量以识别变点。模拟表明，我们的方法在多种不同情形下均能准确检测变点的数目与位置，包括轻尾与重尾数据、对称与偏态分布数据、稀疏与密集采样变点，以及均值与协方差变化。我们展示了该方法优于近期的一种多重函数型变点检测器，以及若干应用于我们所提投影上的单变量变点检测器。我们还表明 MCI 比现有方法更稳健，且随样本量线性扩展。最后，我们将方法应用于来自大气发射辐射干涉仪测量的水汽混合比廓线的大型时间序列。
引用
@article{arxiv.2008.01889,
title = {Scalable Multiple Changepoint Detection for Functional Data Sequences},
author = {Trevor Harris and Bo Li and James Derek Tucker},
journal= {arXiv preprint arXiv:2008.01889},
year = {2021}
}