Multiple changepoint detection for non-Gaussian time series
This talk develops a penalized likelihood paradigm for estimating multiple changepoint configurations (both changepoint numbers and their times) for non-Gaussian time series having some parametric-based marginal distribution (e.g., Poisson, Gamma, Beta). A stationary Gaussian process is transformed to provide the needed probabilistic structure; several penalty types are considered, including BICs and MDLs Application of the methods are made to muti-dimensional series of Poisson-based hurricane counts and beta distributed batter home run proportions in Major League Baseball.
Détection de points de changement multiples pour séries chronologiques non Gaussiennes
Cet exposé présente un paradigme de vraisemblance pénalisée pour l'estimation de configurations de points de changement multiples (leur nombre et leurs emplacements) dans des séries temporelles non Gaussiennes présentant une distribution marginale paramétrique (par exemple, Poisson, Gamma, Bêta). Nous transformons un processus Gaussien stationnaire pour obtenir la structure probabiliste requise ; nous envisageons plusieurs types de pénalités, notamment les critères d'information bayésiens (BIC) et les longueurs de description minimales (MDL). Nous appliquons ces méthodes à des séries multi-dimensionnelles de dénombrement d'ouragans (distribution de Poisson) et de proportions de coups de circuit par frappeur (distribution bêta) dans la Ligue majeure de baseball.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais