基于Sieve Bootstrap方法的长记忆过程均值变点的检验

本文提出一个新的统计量来检测长记忆时间序列中可能存在的均值变点,在原假设下推导出了检验统计量的极限分布在备择假设下证明了检验方法的一致性.为便于实际应用还提出了一种Sieve Bootstrap方法来近似统计量的临界值.模拟结果表明本文方法不仅可以很好的控制经验水平,而且相比已有均值变点检验的方法经验势也有了一定幅度的提高.     

厚尾序列均值变点的非参数检验

目的 考虑稳定系数为κ的厚尾分布的均值变点检验问题.方法 利用非参数检验方法.结果 基于Wilcoxon秩和统计量,构造出了相应的检验统计量.结论 得到了原假设下统计量的渐近分布,并证明了在备择假设下统计量的相合性.     

长记忆时间序列均值变点的比率检验

本文基于两种比率方法研究了长记忆时间序列均值变点的检验问题,在无变点原假设下推导出了检验统计量的极限分布,在备择假设下证明了检验方法的一致性.由于检验统计量的极限分布依赖未知的长记忆参数,还提出了一种避免估计长记忆参数的Sieve AR Bootstrap方法来近似计算检验统计量的临界值,数值模拟结果表明提出的检验方法具有较好的检验效果.最后通过分析一组尼罗河年径流量数据说明了方法的可行性.     

厚尾相依序列均值变点Ratio检验

研究具有无穷方差的厚尾相依序列均值存在变点的问题。采用Ratio检验法研究序列在原假设无变点及备择假设存在一个变点的假设检验问题,首先基于残差的累积和函数建立检验统计量,在适当的假设条件下,给出检验统计量在原假设下的极限分布,并对统计量的一致性检验进行了推导证明,最后通过数值模拟验证Ratio检验法的有效性。     

长相依均值渐变模型的Ratio检验

利用Ratio检验方法,给出随机误差为长相依过程的均值渐变变点检验统计量,并证明了该检验量在原假设及备择假设下的极限分布。最后,通过Monte Carlo模拟说明检验的有效性。     

多项式回归模型系数变点的在线监测

文章首次讨论了p阶多项式回归模型系数变点的监测问题。构造适用于p阶多项式回归模型系数变点监测的监测函数及边界函数,定义了停时过程。在原假设下给出了监测统计量的渐近分布并模拟得到了部分临界值,在备择假设下证明了其检验的一致性。模拟实验与实例分析证明了方法的有效性。     

面板数据均值渐变变点的Ratio检验

为解决时间序列因观测时间较短而难以确定变点的问题，通过分析独立同分布序列面板数据，对其均值的渐变变点进行检验.假设面板数据中每条时间序列的均值在同一时刻发生变化，提出Ratio检验统计量，并分别在原假设与备择假设下给出检验统计量的极限性质.数值模拟结果表明，面板数据的检验效果优于单条时间序列，实例分析也验证了该方法的有效性与实用性.     

基于block bootstrap的厚尾相依序列均值变点检验

针对无穷方差重尾相依序列的均值变点检验问题,基于序列自正则方法构造CUSUM型统计量,并在原假设下得到其渐近分布,在备择假设下得到检验的容许性。由于其渐近分布依赖于尾指数κ,且考虑到序列之间具有相依性,提出基于残差的block bootstrap方法。蒙特卡洛模拟表明该检验统计量和该抽样方法的有效性。     

一种线性过程方差变点的比率检验

针对现有的用于线性过程中方差变点的比率检验存在势过低的问题,提出了一种新的检验统计量.同时研究了该统计量在原假设下的渐近分布以及备择假设下的渐近性质.此外提出一种新的变点估计方法,建立了该变点估计方法的收敛性和收敛速度.蒙特卡罗模拟表明了该统计量在样本量大小适中时比原统计量具有更好的经验水平和更高的势,所提出的估计方法也具有一致性.最后通过实例分析验证了该方法的有效性.     

IV模型中变点检测的Cramer-Von Mises方法

目的研究IV模型中变点检测问题。方法基于加权残差部分和(Weighted-CUSUM)的Cramer-Von Mises检验统计量。结果证明了其在原假设和备择假设下的极限性质。结论该检验方法在特征量与跃度非正交性条件下,当δ=1/2具有非平凡势,而当0≤δ1/2时,则是相合的。     

Ⅳ模型中变点检测的MOSUM方法

研究了Ⅳ模型中变点检验问题;方法:提出了基于加权残差滑动和(Weighted-MOSUM)的最大值检验统计量,证明了其在原假设和备择假设下的极限性质,该检验方法在特征量与跃度非正交性条件下,当δ=1/2具有非平凡势(non-trivial power),而当0≤δ≤1/2时,则是相合的.     

非参数趋势项时间序列自协方差函数的变点检测

本文主要考虑带有非参数趋势项时间序列的自协方差函数的变点检测问题.本文采用局部多项式对趋势项进行拟合,并对去除趋势项后的时间序列,通过累积和(CUSUM)统计量进行变点分析.在GMC条件及一些正则性假设下,我们讨论了检验统计量在原假设和备择假设下的渐近性质及检验的相合性.实证方面,我们运用0-5阶的局部多项式分别对带有AR(1)误差的模型进行估计,并进行变点检测.通过检验水平和经验功效的比较分析,验证了有限样本下检验方法的有效性.     

分布对称中心的U检验方法

基于构造U统计量提出了检验对称随机变量分布对称中心的一种新的检验统计量,获得了该检验统计量在原假设与备择假设下的极限分布,并用Bootstrap方法来获得检验拒绝域的临界值,对几类重要对称分布下该检验统计量的检验功效进行了比较,说明了该检验统计量的优良性.     

多元正态向量变点在线监测

针对多元时间序列均值向量变点发生时刻靠后的情况,文章通过采用引入窗宽参数h的方法,构造残差累积和统计量,使得多元正态均值过程变点位置靠后时能尽早提出预警。在原假设下得到了监测统计量的渐近分布,并在备择假设下证明了该监测统计量的一致性。模拟结果表明引入窗宽参数确实能够提高监测统计量的势,同时能减小平均运行长度。最后将本文的方法应用到生产实例中,表明该方法具有一定的实践性和有效性。     

单位根原假设下的持久性变点检验

针对原假设为单位根的持久性变点检验问题,基于残差提出了比率统计量,在原假设下得到了其渐近分布,在备择假设下证明了一致性。数值模拟结果表明,与已有方法相比,该检验犯第一类错误的概率与选定的显著水平0.05更接近,同时,该检验在有限样本下有更高的势,且随着样本容量的增加趋近于1,并且在过程为平稳时拒绝原假设的概率也控制在0.05左右。     

高维数据下MANOVA检验

对于高维MANOVA假设检验问题,文章提出了一种新的检验统计量,且对数据的维数和个数的关系没有限制;在一般条件下,分别得到了新检验统计量在原假设和局部备择假设下的渐近分布. 模拟结果表明新的检验具有一定的优势.      

复生长曲线模型中的球性检验问题

给出复情形下生长曲线模型球性检验似然比统计量与原假设相近的两类备择假设下的非零渐近分布。     

一种基于递归残差的回归模型变点检验

针对线性回归模型系数向量的变点问题,文章基于递归回归残差平方序列的部分和之比,构造了一种检验方法。在原假设下,得到其渐近分布为维纳过程的泛函,并在备择假设下,证明了该检验方法的发散速度及其渐近发散极限,从而保证了该检验的一致性。模拟表明,本方法在变点发生时刻靠前时的功效具有较大改进,在其他情形与经典的CUSQ检验方法接近。     

试验设计对假设检验的影响

对于参数性假设检验问题,如何正确建立原假设和备择假设并选择合适检验统计量是学生学习过程中的两个难点问题.针对这两个问题,从典型案例展开讨论,分析了假设检验的立场问题并给出原假设和备择假设的建立原则;分析了成对数据与成组数据的差异,分析清楚条件后再给出正确的检验统计量.     

线性误差协变量下部分线性模型的约束统计推断

考虑含有线性误差协变量部分线性模型的统计推断问题。对模型的参数分量,提出了一个线性约束条件下的最小二乘估计,并且证明该估计量满足渐近正态性。同时基于拉格朗日乘子检验方法对约束条件的合理性进行了检验。证明了所提出的检验统计量在原假设成立时渐近服从标准卡方分布。数据模拟表明所提出的估计方法可以有效地消除测量误差对估计精度的影响,并且所提出的检验方法对备择假设是相当敏感的。