Detecting structural changes in time series is an important problem because such structural changes induce abnormal forecast errors. And there are many change types and so, mis-identification of such changes also leads to failures of forecasting applications. In this thesis, our main argument is focused on the problem of identification of a transient or level change in exponential smoothing.
Our identification procedure consists of two main steps. At first, we estimate the most possible change point and in the next step, calculate posterior probability of occurrence of any change types at the estimated possible change point and detect occurrence of change based on the posterior probabilities.
In the estimation of the most possible change point, our estimate is a point which maximize the posterior probability ratio of change to no change at that point with adaptive priors which obtained from past informations and proper initial priors.
Performance of the presented method is examined using artificial data and simulations. The results show small mis-identification rate and rapidity in identification of changes. This algorithm can be extended to the case of more change types but initial priors for change types are difficult to derive because they require multivariate form.
시계열 자료에 대한 예측기법에 있어 구조적 변화에 대한 적응성이 크게 요구된다. 반면, 구조적 변화에 대한 적응은 그 변화 형태가 올바르게 인식 되어 졌을때 가능한데 그릇된 변화 형태의 인식에 의한 적응은 또 다른 오류를 가져온다.
이 연구에서는 지수평활모형에서 일시적 변화와 수준변화를 어떻게 구분 해 낼 것인가를 다룬다. 변화의 인식을 이 연구에서는 크게 두 단계로 나누어 접근한다. 먼저, 가능한 변화시점을 추정하는 단계와 변화 형태를 인식하는 단계로 나누어진다. 변화시점으로서 가능성이 가장 높은 시점의 추정은 변화 대 무변화의 Likelihood Ratio를 최대화하는 시점으로 하며 추정된 시점 이후의 자료를 이용, 각 변화형태에 관한 사후확률로서 변화의 여부를 가리는 방법이다.
각 단계에서 과거의 정보에 의해 계속 수정 되어지는 사전확률을 이용하는데 무 규칙적인 외부의 영향이 없는 상황에서는 적용되어질 수 있는 것으로 생각되며 이의 사용이 그 자료에서 빈번한 변화에 대한 민감도를 높이는 것으로 보인다.
모의실험을 통해 제시한 방법의 평가 결과, 변화형태의 인식에 있어 낮은 오류율과 비교적 빠른 검출력을 보였다. 두 형태의 변화만을 다루었으나 제시한 방법은 더 많은 변화형태로 확장이 가능하지만 사전확률을 구하기 어렵다는 문제가 있다.
