Spatial-Sign based High dimensional Change Point Inference
Jixuan Liu, Long Feng, Liuhua Peng, Zhaojun Wang · arXiv (2025) · doi:10.48550/arxiv.2504.19306 · gemini-3.1-flash-lite
Суть роботи
Традиційні методи виявлення раптових змін у даних часто не працюють, якщо дані містять шуми або екстремальні значення. Автори розробили новий математичний підхід, що використовує «просторову» статистику, яка є значно надійнішою для складних, неструктурованих даних. Цей новий метод ефективно поєднує різні стратегії тестування, зберігаючи точність незалежно від того, чи зосереджені зміни лише у кількох змінних, чи розсіяні по багатьох.
Метод і вибірка: Дослідження використовує чисельні симуляційні експерименти для багатовимірного нормального розподілу, t-розподілу Стьюдента (df=6) та суміші нормальних розподілів. Параметри моделювання включали N=200 для розміру вибірки та варіювання розмірностей P у діапазоні {100, 200, 300, 400}. Порівняння проводилося з методами на основі середнього (CHH, JPYZ, DMS, LZZL, ZWS).
#виявлення-точок-зміни#високорозмірні-дані#просторова-статистика#стійкий-статистичний-висновок#асимптотична-незалежність