In this paper, we discuss the problem of the structure break point detection for data with changing variance. Considering the limitations and advantages of five well-known techniques, we propose a hybrid algorithm dedicated to the considered problem. The new method enables us to detect break point, even if the data exhibit non-Gaussian characteristics and the small differences between variances in separate segments occur. The efficiency is verified for simulated data from three general classes of distributions, namely platykurtic, leptokurtic and mesokurtic classes represented here by Gaussian, Laplace, Student's t, and generalized Gaussian distributions. The simulation study is supported by real data analysis.
PL
W artykule omówiono problem detekcji punktu zmiany reżimu dla danych o zmiennej wariancji. Uwzględniając ograniczenia i zalety pięciu znanych technik, zaproponowano hybrydowe podejscie dla omawianego problemu. Nowa metoda umożliwia wykrycie punktu zmiany, nawet jeśli dane wykazują charakterystykę niegaussowską i występują niewielkie różnice pomiędzy wariancjami w poszczególnych segmentach. Skuteczność metody jest weryfikowana dla danych symulowanych pochodzących z trzech ogólnych klas rozkładów, mianowicie platykurtycznych, leptokurtycznych oraz mezokurtycznych reprezentowanych tutaj przez rozkład normalny, Laplace'a, t-Studenta oraz uogólniony rozkład normalny. Badania symulacyjne poparte są analizą danych rzeczywistych.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.