Structural break detection method based on the Adaptive Regression Splines technique

برای بسیاری از داده های واقعی، مشاهدات طولانی مدت شامل فرآیندهای متفاوتی می شوند که یکی پس از دیگری همدیگر را تشکیل می دهند. این فرایندها اغلب دارای خواص آماری مختلف هستند و بنابراین قبل از تجزیه و تحلیل بیشتر داده های مشاهده شده باید تقسیم شوند. این مسئله می تواند در برنامه های مختلف یافت شود و در نتیجه این روش ها در سال های اخیر در ادبیات ظاهر شده اند. در این مقاله ما یک روش جدید از تقسیم بندی سری زمانی، یعنی استخراج از بردار تجزیه و تحلیل مشاهدات یکنواخت مشاهدات با رفتار مشابه پیشنهاد می کنیم. این روش بر اساس انحراف مطلق در مورد میانگین سیگنال است و گسترش روش های پیشنهادی پیشنهادی نیز براساس آمار ساده است. در این مقاله روش تشخیص نقطه ی شکست ساختاری را که براساس تکنیک رگرسیون سازگاری است، یکی از روش های تحلیل رگرسیون معرفی می کنیم. علاوه بر این، ما همچنین آزمون آماری را پیشنهاد می دهیم که امکان آزمون فرضیه های رفتار مربوط به رژیم های مختلف را فراهم می کند. اول، روش شناسی ما برای سیگنال های شبیه سازی شده با توزیع های مختلف به منظور نشان دادن اثربخشی تکنیک جدید اعمال می شود. بعد، در بخش نرم افزار، مجموعه ای از اطلاعات واقعی را که نشان دهنده سیگنال ارتعاش از سنگ شکن سنگین مورد استفاده در یک کارخانه فرآوری مواد معدنی است، تحلیل می کنیم.