首先,我们简要介绍了转换点模型。对于一些人\(0<\tau^{*}<1\),让\(k^{*}=\floor n\tau^{*{rfloor\)。对于\(第1页),假设观察结果\(X_{1},\点,X_{n}\)满足模型要求
$$\开始{aligned}X_{i}=\mu+\delta_{n} 我\bigl(k^{*}+1\lei\len\bigr)+Z_{i},\quad 1\lei\le n,\end{aligned}$$
(3.1)
其中平均参数μ,更改金额\(增量{n}\)、和更改点位置\(k^{*}\)未知,并且\({Z_{i},1\leqi\leqn\})是均值为零的随机变量序列。我们表示为\(\tau^{*}=k^{*{/n\)变化点的比率。
估计值\(k^{*}\)和\(\套^{*}\)在模型中(3.1)基于CUSUM方法(见Cörgő和Horváth[三])分别定义为
$$\开始{aligned}\hat{k}_{n} (θ)=\min\Bigl\{k:\vertU_{k}\vert=\max_{1\leqj\leqn}\vert U_{j}\vert\Bigr\}\quad\text{{and}}\quat\hat{tau}_{n}(θ{k}_{n} /n,\结束{对齐}$$
(3.2)
哪里
$$开始{对齐}U_{k}=\biggl(\frac{k(n-k)}{n}\biggr)^{1-\theta}\biggl(\frac{1}{k}\sum_{i=1}^{k} X(X)_{我}-\压裂{1}{n-k}\sum_{i=k+1}^{n} X_{i} \Biggr)\end{对齐}$$
(3.3)
和一些\(0\leq\theta<1)。
在过去的几十年里,许多统计学家研究了CUSUM型估计量的大样本性质。例如,霍瓦思和科科什卡[9]研究了长程相依平稳高斯随机变量变点CUSUM估计的渐近分布;拉维埃尔[14]在强混合强相依过程的变点估计问题中,给出了最小对比度估计的一些收敛性结果;哈里斯和怀利[8]建立了平稳序列均值变化点估计的统一框架,并给出了CUSUM估计的收敛速度;Shi等人[22]研究了NA序列下变点CUSUM估计的强收敛性和相应速度,并提出了一种搜索变点位置的迭代算法。最近关于变点分析的研究可以参考霍瓦思和赖斯的研究[10],Jin等人[12],Messer等人[17],Xu等人[25],Yang等人[26],Ding等人[5]以及其中的参考文献。在本节中,我们研究了基于\((α,β))-使用我们之前建立的Hajek–Renyi型不等式混合序列。我们列出了一些假设。
假设A.1
对于一些人\(1<第2页),让\({Z_{n},n\ge1\})是一系列\((α,β))-将随机变量与\(EZ_{i}=0\),\(\sup_{i\ge1}E|Z_{i}|^{p}<\infty\),且混合系数满足\(\sum_{n=1}^{\infty}(\lambda(n)),其中\(0<α,β<1)具有\(α+β=1)。
假设A.2
对于\(0\leθ<1\)和\(1<第2页),让
$$开始{aligned}\delta_{n}\neq 0\quad\text{和}\quad g_{n{(theta,p)/\delta_{n}\rightarrow0\quae\text{as}n\right箭头\infty。\结束{对齐}$$
哪里
$$g_{n}(\theta,p)=\textstyle\boot{cases}n^{1/p-1}\log n&&\text{{if}}{0\le\ttheta<\frac{1}{p}},\\n^{1/p-1}\log ^{1/p+1}n&&\text{if}}{theta=\frac{1}{p},\\n^{\ttheta-1}\log n&&\text{if}}{1}{p}<\ttheta<1}。\结束{cases}$$
(3.4)
定理3.1
Let假设A.1款和 A.2款感到满意。然后,对于任何 \(0θ<1),
$$\begin{aligned}\hat{\tau}_{n}(\theta)-\tau^{*}=O_{P}\bigl(g_{n{(\tea,P)/\vert\delta{n}\vert\bigr)。\结束{对齐}$$
让\(tau_{n}=\floor k/n\floor)。对于任何\(0θ<1),由(3.1)和(3.2)我们有
$$\begin{aligned}EU_{k}(\theta)=&&biggl(\frac{k(n-k)}{n}\biggr)^{1-\theta}\biggl(\frac{1}{k}\sum_{i=1}^{k} EX公司_{我}-\压裂{1}{n-k}\sum_{i=k+1}^{n} EX公司_{i} \Biggr)\\=&\textstyle\begin{cases}-\delta_{n} n个^{1-\tau}\tau_{n}^{1-\theta}{(1-\tau_}n})^{-\theta{{(1-\tau^{*})}},&{k\lek^{*{}}_{n} n个^{1-\tau{n}(1-\tau_n})}^{1-\theta}{\tau_{n}}^{-\theta{{\tau^{*}},&{k>k^{*{},\end{cases}\displaystyle\end{aligned}$$
(3.5)
和
$$\开始{aligned}EU_{k^{*}}(\theta)=-\delta_{n} n个^{1-\theta}\bigl(\tau^{*}\bigr)^{1-\teata}{\bigl。\结束{对齐}$$
(3.6)
因此,科科什卡和莱普斯的(3.11)[13]我们有
$$开始{aligned}\vert\delta_{n}\vert_overline{\tau}n^{1-\theta}\bigl\vert{hat{\tau{}}_{无}-\tau^{*}\bigr\vert\le2\max_{1\lek\len-1}\bigl\vertU_{k}(θ)-EU_{k}(theta)\bigr\ vert,\end{aligned}$$
(3.7)
哪里\(上横线{\tau}:=(1-\theta)(\tau^{*})^{-\theta}(1-\tau^}).签署人(3.1)和(3.3)我们很容易看到
$$\开始{aligned}&\vert\delta_{n}\vert^{-1}n^{θ-1}\max_{1\le-k\len-1}\bigl\vertU_{k}(θ)-EU_{k}(theta)\bigr\vert\\&\quad\le\vert\delta_{n}\vert^{-1}个^{θ-1}最大值{1_{i} -出厂_{i} )\Biggr\vert+\vert\delta_{n}\vert^{-1}个^{θ-1}max_{1\lek\len-1}frac{1}{(n-k)^{theta}}\Biggl\vert\sum_{i=k+1}^{n}(X_{i} -EX公司_{i} )\Biggr\vert\\&\quad=\vert\delta_{n}\vert^{-1}个^{θ-1}最大值{1\lek\len-1}分形{1}{k^{θ子}}\Biggl\vert\sum_{i=1}^{k} Z轴_{i} \Biggr\vert+\vert\delta_{n}\vert^{-1}个^{\theta-1}\max_{1\le k\le n-1}\frac{1}{(n-k)^{\theta}}\Biggl\vert\sum _{i=k+1}^{n} Z轴_{i} \Biggr\vert\\&\quad=i_{n1}+i_{n2}。\结束{对齐}$$
(3.8)
由(3.4), (3.7)、和(3.8),证明定理3.1,我们必须证明
$$\begin{aligned}I_{ni}=O_{P}\bigl(g_{n}(theta,P)/\vert\delta{n}\vert\bigr),\quad I=1,2,\end{alinged}$$
哪里\(g{n}(θ,p))定义于(3.4). 对于任何\(M>0),它遵循定理2.1具有\(\sup_{i\ge1}E|Z_{i}|^{p}<\infty\)那个
$$\开始{aligned}&P\Biggl(\vert\delta_{n}\vert^{-1}个^{θ-1}max_{1\lek\len-1}frac{1}{k^{theta}}\Biggl\vert\sum_{i=1}^{k} Z轴_{i} \Biggr\vert>Mg_{n}(θ,p)/\vert\delta_{n{vert\Biggr)\&\quad\le\frac{C_{1}n^{theta p-p}{(logn)^{p}}{M^{p{g_{n}^}}(theta,p)}\sum_{i=1}^{n}\frac}E\vert Z_{i}\vert^{pneneneep}{i^{thet p}}\\&\quad\le\textstyle\begin{cases}C_{2} M(M)^{-p}个^{1-p}(\log n)^{p} 克_{n} ^{-p}(θ,p),&{0\le\theta<\frac{1}{p}},\\C_{3} 米^{-p}n^{1-p}(\logn)^{p+1}g{n}^{-p}(\theta,p),&{\theta=\frac{1}{p}},\\C_{4} M(M)^{-p}个^{p(θ-1)}(\log n)^{p} 克_{n} ^{-p}(θ,p),&{frac{1}{p}<theta<1}。\结束{cases}\显示样式\\&\四\le C_{5} M(M)^{-p}。\结束{对齐}$$
(3.9)
因此,通过采取M(M)足够大(3.9)我们有\(I{n1}=O_{P}(g{n}(θ,P)/|delta{n}|)。此外,我们可以看到
$$\begin{aligned}I_{n2}=\ vert\ delta _{n}\ vert^{-1}个^{θ-1}max_{1\lek\len-1}frac{1}{(n-k)^{theta}}\Biggl\vert\sum_{i=k+1}^{n} Z轴_{i} \Biggr\vert=\vert\delta_{n}\vert^{-1}个^{θ-1}最大值{1\lek<n}分形{1}{k^{θ子}}\Biggl\vert\sum_{i=1}^{k} Z轴_{n-i+1}\Biggr\vert。\结束{对齐}$$
因此,类似于(3.9),我们可以得到\(I{n2}=O_{P}(g{n}(θ,P)/|delta{n}|).定理证明完成。□
备注3.1
在均值变点模型中(3.1),如果\(\增量{n}=\增量{0}\neq 0\)和\({Z_{n},n\ge1\})是一个独立的同分布随机变量序列\(EZ_{1}=0\)和\(VaR(Z_{1})=\σ^{2}>0\)然后是Kokoszka和Leipus[13]获得以下结果:
$$\hat{\tau}_{n}(θ)-\tau^{*}=\textstyle\begin{cases}O_{p}{p}(n^{\theta-1})&\text{{if}}{\frac{1}{2}<\theta<1}。\结束{cases}$$
(3.10)
在本文中,定理3.1改进和扩展了Kokoszka和Leipus的相应版本[13]从独立同分布序列到\((α,β))-无同分布条件的混合序列。条件\(VaR(Z_{1})=\σ^{2}>0\)在科科什卡和莱普斯[13]被削弱为\(\sup_{i\ge1}E|Z_{i}|^{p}<\infty\)最近,Ding等人[5]得到了m-渐近几乎负相关(m-AANA)序列均值变点模型的CUSUM估计的收敛速度,定理3.1还扩展了Ding等人的相应理论[5].