Key points are not available for this paper at this time.
Zusammenfassung Ohne vorab distributive Kenntnisse über die zugrunde liegenden multivariaten Zeitreihen vorzusehen, schlagen wir einen nichtparametrischen Ansatz zur Erkennung von Wandelpunkten vor, um die Anzahl der Wandelpunkte und deren Standorte entlang der zeitlichen Achse zu schätzen. Wir entwickeln ein strukturelles Subsampling-Verfahren, sodass die Beobachtungen in mehrere Sequenzen von Bernoulli-Variablen kodiert werden. Ein Maximum-Likelihood-Ansatz in Verbindung mit einem neu entwickelten Suchalgorithmus wird implementiert, um Wandelpunkte jeweils auf jedem Bernoulli-Prozess separat zu erkennen. Anschließend werden Aggregationsstatistiken vorgeschlagen, um die Ergebnisse der Wandelpunktanalyse aus allen individuellen univariaten Zeitreihen in konsistente und stabile Standortschätzungen zu synthetisieren. Wir untersuchen auch eine Gewichtungsstrategie, um das Maß der Relevanz für verschiedene subsampling Gruppen zu messen. Simulationen werden durchgeführt und zeigen, dass die vorgeschlagene Methodologie zur Wandelpunkterkennung für multivariate Zeitreihen eine günstige Leistung im Vergleich zu derzeit verfügbaren modernen nichtparametrischen Methoden unter verschiedenen Bedingungen mit unterschiedlichen Komplexitätsgraden aufweist. Schließlich werden Echtzeitdatenanalysen an kategorischen, ordinalen und kontinuierlichen Zeitreihen durchgeführt, die aus den Bereichen Genetik, Klima und Finanzen stammen.
Wang et al. (Mi,) haben diese Frage untersucht.