摘要
在多变化点分析中,一个主要的挑战是估计变化点的数量。大多数现有方法都试图最小化Schwarz信息标准,该标准平衡了术语量化模型与惩罚术语之间的匹配关系,考虑到模型复杂性随变化点数量的增加而增加,并限制过拟合。然而,不同的惩罚条件需要适应多个变点问题的不同背景,最佳惩罚幅度通常因模型和误差分布而异。我们提出了一个数据驱动的选择准则,该准则适用于大多数流行的变化点检测方法,包括二进制分割和最优分割算法。其关键思想是选择改变点的数量,以最小化平方预测误差,该预测误差用于测量指定模型对新样本的拟合度。我们提出了一种基于顺序预留样本分割策略的交叉验证估计方案,并在一些温和的条件下建立了其渐近选择一致性。通过各种数值实验和实际数据示例,证明了所提选择准则的有效性。
引文
下载引文
邹昌良。
王广辉。
李润泽。
“通过采样分割一致地选择更改点的数量。”
安。统计师。
48
(1)
413 - 439,
2020年2月。
https://doi.org/10.1214/19-AOS1814
问询处
收到日期:2017年11月1日;修订日期:2018年10月1日;发布日期:2020年2月
欧几里德项目首次提供:2020年2月17日
数字对象标识符:10.1214/19-AOS1814
学科:
主要用户:62甲12
关键词:交叉验证,动态规划,最小二乘法,型号选择,多变点模型,选择一致性
版权所有©2020数学统计研究所