×
王大仁;Yu、Yi;丽贝卡·威利特

检测高维自激泊松过程中的突变。 （英语） Zbl 07767623号

统计正弦。 33，规范发行。，1653-1671 (2023).
摘要：高维自激点过程被广泛用于对离散事件数据建模，其中过去和当前事件影响未来事件的可能性。在这项研究中，我们检测了离散时间高维自激泊松过程的系数矩阵的突变，由于底层过程的非平稳和高维性质存在理论和计算挑战，这些突变尚待研究。我们提出了一种惩罚动态规划方法，得到了理论速率分析和数值证据的支持。

理学硕士：

62至XX 统计

关键词：

高维统计;惩罚动态规划;分段平稳性;自激泊松过程

软件：

R（右）;不;电子控制面板;工作分解结构
PDF格式BibTeX公司 XML格式引用
\textit{D.Wang}等人，Stat.Sin。331653-1671（2023年；兹bl 07767623）
全文： 内政部 arXiv公司

参考文献：

[1] 阿伊特·萨哈利亚，Y.、Cacho-Diaz，J.和Laeven，R.J.（2015）。使用相互激励的跳跃过程建模金融传染。《金融经济学杂志》117，585-606。
[2] Aue，A.、Hörmann，S.、Horváth，L.和Reimherr，M.（2009年）。多元时间序列模型协方差结构中的中断检测。《统计年鉴》37，4046-4087·Zbl 1191.62143号
[3] Baranowski，R.和Fryzlewicz，P.（2019年）。wbs：用于多变化点检测的野生二进制分割。R包版本1.4。
[4] Blundell，C.、Beck，J.和Heller，K.A.（2012年）。建模与霍克斯过程的往复关系。神经信息处理系统进展25，2600-2608。
[5] Brown，E.N.、Kass，R.E.和Mitra，P.P.（2004）。多神经棘波训练数据分析：现状和未来挑战。《自然神经科学》第7期，第456-461页。
[6] Chavez-Demoulin，V.和McGill，J.（2012）。使用霍克斯过程的高频财务数据建模。《银行与金融杂志》36，3415-3426。
[7] Chen，J.和Chen，Z.（2012）。小n大p稀疏GLM的扩展BIC。中国统计局22，555-574·Zbl 1238.62080号
[8] Cho，H.（2016）。基于双cusum统计的面板数据变点检测。电子统计杂志102000-2038·兹比尔1397.62301
[9] Cho，H.和Fryzlewicz，P.（2015）。基于稀疏二进制分割的高维时间序列多变点检测。英国皇家统计学会杂志：B辑（统计方法）77，475-507·Zbl 1414.62356号
[10] Dette，H.和Gösmann，J.（2018）。高维时间序列中的相关变化点。《电子统计杂志》12，2578-2636·Zbl 1403.62158号
[11] 埃尔特金。，Rudin，C.和McCormick，T.H.（2015）。无功点过程：一种预测地下电力系统停电的新方法。应用统计年鉴9，122-144·Zbl 1454.62476号
[12] Friedrich，F.、Kempe，A.、Liebscher，V.和Winkler，G.（2008）。复杂性惩罚了m估计：快速计算。计算与图形统计杂志17，201-224。
[13] Hall，E.C.、Raskutti，G.和Willett，R.（2016）。高维自回归广义线性模型的推断。arXiv:1605.02693。
[14] Hall，E.C.、Raskutti，G.和Willett，R.M.（2018年）。学习高维广义线性自回归模型。IEEE信息理论汇刊65，2401-2422·Zbl 1432.62228号
[15] Hall，E.C.和Willett，R.M.（2016）。跟踪网络上的动态点进程。IEEE信息理论汇刊62，4327-4346·Zbl 1359.94952号
[16] Hawkes，A.G.（1971）。一些自激和相互激点过程的谱。生物特征58，83-90·Zbl 0219.60029号
[17] Killick，R.、Fearnhead，P.和Eckley，I.A.（2012年）。具有线性计算成本的最佳变化点检测。美国统计协会杂志107，1590-1598·Zbl 1258.62091号
[18] Laub，P.J.、Taimre，T.和Pollett，P.K.（2015）。霍克斯过程。arXiv:1507.02822。
[19] Li，S.，Xie，Y.，Farajtabar，M.，Verma，A.和Song，L.（2017）。检测网络上动态事件的变化。IEEE网络信号和信息处理汇刊3，346-359。
[20] Lütkepohl，H.（2005）。多时间序列分析新导论。柏林施普林格科技与商业媒体·Zbl 1072.62075号
[21] Maidstone，R.、Hocking，T.、Rigaill，G.和Fearnhead，P.（2017年）。关于大数据的最优多变化点算法。统计与计算27，519-533·Zbl 1505.62269号
[22] Mark，B.、Raskutti，G.和Willett，R.（2018年）。根据点过程数据进行网络估算。IEEE信息理论汇刊652953-2975·Zbl 1431.94215号
[23] Matteson，D.S.和James，N.A.（2014年）。多元数据多变化点分析的非参数方法。《美国统计协会杂志》109，334-345·Zbl 1367.62260号
[24] Nicholas A.James，W.Z.和Matteson，D.S.（2019年）。ecp：多元数据的非参数多变点分析。R包版本3.1.2。
[25] Padilla，O.H.M.、Yu，Y.和Priebe，C.E.（2019）。相关动态非参数随机点积图中的变点定位。arXiv:1911.07494。
[26] Pillow，J.W.、Shlens，J.、Paninski，L.、Sher，A.、Litke，A.M.、Chichilnisky，E.等人（2008年）。
[27] 完整神经元群的时空相关性和视觉信号。Na-ture 454995-999。
[28] Politis，D.N.和Romano，J.P.（1994年）。固定引导。《美国统计协会杂志》89，1303-1313·Zbl 0814.62023号
[29] R核心团队（2017）。R： 统计计算语言和环境。R统计计算基金会，维也纳。
[30] Reinhart，A.（2019年）。自激点过程。网状物：https://www.refsmmat.com/笔记本/sf-citing-point-processs.html。
[31] Safikhani，A.和Shojaie，A.（2017年）。高维非平稳VAR模型中的联合结构断裂检测和参数估计。arXiv:1711.07357。
[32] Stomakhin，A.、Short，M.B.和Bertozzi，A.L.（2011年）。基于交互的时间模式重建社交网络中缺失的数据。反问题27，115013。
[33] Wang，D.，Yu，Y.和Rinaldo，A.（2017）。高维最优协方差变点定位。arXiv:1712.09912。
[34] Wang，D.，Yu，Y.和Rinaldo，A.（2018）。稀疏动态网络中的最优变点检测与定位。arXiv:1809.09602。
[35] Wang，D.，Yu，Y.和Rinaldo，A.（2020年）。单变量均值变化点检测：惩罚、cusum和最优。《电子统计杂志》14，1917-1961·Zbl 1442.62097号
[36] Wang，D.，Yu，Y.，Rinaldo，A.和Willett，R.（2019年）。高维向量自回归过程中的局部变化。arXiv:1909.06359。
[37] Wang，T.和Samworth，R.J.（2018年）。基于稀疏投影的高维变点估计。英国皇家统计学会杂志：B辑（统计方法）80，57-83·Zbl 1439.62199号
[38] Watson，B.O.、Levenstein，D.、Greene，J.P.、Gelinas，J.N.和Buzsáki，G.（2016a）。在清醒-睡眠发作期间，从大鼠额叶皮层（大脑区域MPFC、ODC、ACC和M2）记录的多单位尖峰放电活动，其中至少7分钟的清醒之后是20分钟的睡眠。网状物：https://datacatalog.med.nyu.edu/dataset/10381。
[39] Watson，B.O.、Levenstein，D.、Greene，J.P.、Gelinas，J.N.和Buzsáki，G.（2016b）。新皮质睡眠的网络稳态和状态动力学。神经元90，839-852。
[40] Zhou，K.、Zha，H.和Song，L.（2013）。使用多维hawkes过程学习稀疏低阶网络中的社会传染性。第16届国际人工智能与统计会议论文集，PMLR 31，641-649。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。