时间序列的序贯变点检测：基于调整值域的自正则化方法
Sequential Change-Point Detection in Time Series: An Adjusted-Range-Based Self-Normalization Approach
日期：
我在 中国人民大学 学术研讨会上作了题为 《时间序列的序贯变点检测：基于调整值域的自正则化方法》（Sequential Change-Point Detection in Time Series: An Adjusted-Range-Based Self-Normalization Approach）的报告。
引用格式：Jiajing Sun. (2025). “Sequential Change-Point Detection in Time Series: An Adjusted-Range-Based Self-Normalization Approach.” Presented at Renmin University of China, Beijing, China.
摘要：
实时更新模型以反映现实数据不断演变的范围，是统计学中的一项基本任务。现有的 CUSUM（累积和）类方法在估计长期方差（LRV）时，需要设定核函数、带宽或块自助法中的块长等调节参数；而基于 Shao（2010）提出的现有自正则化（SN）方法构造的 KS 型统计量功效较弱，限制了其在序贯变点检测中的应用。本文提出一种新的 基于调整值域的自正则化序贯变点监测方案。我们在原假设下进行了渐近分析，并在较弱的正则条件下证明了所提序贯变点方案的一致性。蒙特卡洛模拟与实证分析表明，该方法能够及时地序贯检测出结构变化，并且对训练样本中的“轻微”误设具有稳健性。