Cada vez mais, nos séries temporais modernas, muitos conjuntos de dados de interesse prático contêm mudanças abruptas na estrutura. Essas mudanças podem ocorrer em características complexas, como a estrutura de dependência extremal, e identificar tais quebras estruturais continua sendo um problema desafiador. Muitos algoritmos existentes de detecção de pontos de mudança se concentram em alterações na dependência em toda a distribuição, em vez de nos extremos, e abordagens que são adaptadas a extremos geralmente fazem suposições paramétricas rigorosas ou só são aplicáveis a dados bivariados. Propomos uma abordagem não paramétrica de soma móvel para detectar múltiplas mudanças na Dependência Extremal Par a Par (MOPED) de dados multivariados com variação regular. Para evitar o problema clássico da seleção de limiar no estudo de extremos multivariados, propomos ainda uma variante de MOPED multiescalar e multilimite que combina estimativas de pontos de mudança em diferentes escolhas de limiar e na largura da banda usada na estimativa local. O bom desempenho do MOPED é ilustrado em um estudo de simulação, e mostramos sua capacidade de identificar mudanças sutis na classe de dependência de cauda na ausência de mudanças de correlação. Demonstramos também a utilidade do MOPED ao identificar mudanças na conectividade extremal de sinais de eletroencefalograma (EEG) de neonatos propensos a convulsões.
McGonigle et al. (Mon,) estudaram essa questão.