[论文解读] Multiple Change Point Detection and Validation in Autoregressive Time Series Data

Lijing Ma, Andrew J. Grant+1 more|arXiv (Cornell University)|Nov 12, 2019

Spectroscopy and Chemometric Analyses参考文献 28被引用 2

一句话总结

本文提出MCP2，一种新颖的方法，通过结合似然比扫描统计量、谱鉴别法及多重假设检验校正，用于检测自回归时间序列中的多个变化点。该方法在识别变化点的数量与位置方面优于LRSM和WBS，尤其在具有多个突变的分段平稳模型中表现更优。

ABSTRACT

Abstract: It is quite common that the structure of a time series changes abruptly. Identifying these change points and describing the model structure in the segments between these change points is of interest. In this paper, time series data is modelled assuming each segment is an autoregressive time series with possibly different autoregressive parameters. This is achieved using two main steps. The first step is to use a likelihood ratio scan based estimation technique to identify these potential change points to segment the time series. Once these potential change points are identified, modified parametric spectral discrimination tests are used to validate the proposed segments. A numerical study is conducted to demonstrate the performance of the proposed method across various scenarios and compared against other contemporary techniques.

研究动机与目标

• 解决在模型参数发生突变的分段平稳自回归时间序列中检测多个变化点的挑战。
• 克服现有方法（如二元分割法和WBS）存在的多重检验问题及在短段落中检测性能差的局限性。
• 开发一种自下而上的分段方法，整合过度估计、验证与错误发现率控制，以提升准确性和鲁棒性。
• 提供一个统计上严谨的框架，考虑时间依赖性，并控制多重变化点检测中的第一类错误。

提出的方法

• 应用[30]中提出的似然比扫描方法（LRSM）生成初始的潜在过度估计的变化点集。
• 使用改进的参数谱鉴别检验对变化点进行验证并剔除误检的点。
• 实施两步多重假设检验校正：Benjamini-Hochberg（BH）与Bonferroni校正p值，以控制错误发现率。
• 采用自下而上的策略：从过度估计的变化点出发，基于统计验证迭代剔除假阳性结果。
• 采用大小为 h = max{50, log(n)} 的扫描窗口，以平衡灵敏度与计算效率。
• 将所有组件整合为统一的三步流程：(1) 扫描候选点，(2) 通过谱检验进行验证，(3) 进行多重检验校正。

实验结果

研究问题

• RQ1 所提出的MCP2方法在分段自回归时间序列中，对变化点数量与位置的检测准确性如何？
• RQ2 在不同数据条件下，MCP2与LRSM和WBS相比，在估计精度与鲁棒性方面表现如何？
• RQ3 谱鉴别与FDR校正的整合在多大程度上减少了多重变化点检测中的假阳性？
• RQ4 该方法能否可靠检测出常被传统二元分割法遗漏的短段落？

主要发现

• 在所有模拟情景中，MCP2在估计正确变化点数量方面达到最高准确率，尤其在具有三个变化点的模型中表现尤为突出。
• 在检测变化点位置方面，MCP2优于WBS，并在复杂模型中对第二处变化点的识别上与LRSM相当或更优。
• MCP2中的BH程序比Bonferroni校正更不保守，从而在仍控制FDR的前提下提升了检测功效。
• 在真实数据分析中，MCP2成功识别出WBS遗漏的生理时间序列（BabyECG）中的短段落，显示出更高的灵敏度。
• 对于月度IBM股票收益率数据，MCP2-BH在1994年和2002年检测到两个变化点，与LRSM在1987年和2002年发现的结果高度一致，表明在金融数据中具有鲁棒性。
• 估计变化点的可视化图表显示，与LRSM和WBS相比，MCP2显著减少了过度分段现象，提供了更清晰的估计行为洞察。