New aspects of sequential change point detection
- Die vorliegende Arbeit behandelt die sequentielle Erkennung von Strukturbrüchen in Zeitreihen. Dazu werden Methoden betrachtet, die durch einen stabilen, initialen Datensatz kalibriert werden und so den Fehler erster Art asymptotisch über den gesamten Testzeitraum kontrollieren. Nach der Einleitung in das Fachgebiet wird zunächst ein Verfahren entwickelt, das auf einer Trennung der Daten zu jedem möglichen Bruchzeitpunkt basiert und bei dem optional eine Schätzung der Varianz durch eine Selbstnormalisierung vermieden werden kann. Das erste Verfahren wird dann modifiziert, um damit auch das Szenario eines unbegrenzten Testzeitraums behandeln zu können. Abschließend wird eine hochdimensionale Methode entwickelt, bei der die Dimension der Daten in Abhängigkeit der Länge des stabilen Datensatzes wachsen darf. Die Eigenschaften der entwickelten Verfahren werden zusätzlich anhand von Simulationsstudien untersucht und mögliche Anwendungen anhand von Datenbeispielen illustriert.
Download full text files
Additional Services
| Author: | Josua Nicolas GösmannGND |
|---|---|
| URN: | urn:nbn:de:hbz:294-76088 |
| DOI: | https://doi.org/10.13154/294-7608 |
| Referee: | Holger DetteORCiDGND, Herold DehlingGND |
| Document Type: | Doctoral Thesis |
| Language: | English |
| Date of Publication (online): | 2020/11/02 |
| Date of first Publication: | 2020/11/02 |
| Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
| Granting Institution: | Ruhr-Universität Bochum, Fakultät für Mathematik |
| Date of final exam: | 2020/08/06 |
| Creating Corporation: | Fakultät für Mathematik |
| GND-Keyword: | Strukturbruch; Zeitreihenanalyse; Statistischer Test; Sequentialanalyse; Zeitreihe |
| Dewey Decimal Classification: | Naturwissenschaften und Mathematik / Mathematik |
| faculties: | Fakultät für Mathematik |
| Licence (German): |  Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |
