Büyük boyutlu veri setlerindeki yapısal değişimleri tespit etmek, modern veri biliminin en zorlu problemlerinden biri. Yeni bir araştırma, bu alandaki önemli bir boşluğu dolduran matematiksel bir yöntem geliştirdi.
Araştırmacılar, faktör modellerindeki çoklu kırılma noktalarını belirlemek için quasi-maksimum olabilirlik (QML) tahmin edicisi adı verilen bir yöntem önerdi. Bu yaklaşım, yapısal değişiklikleri iki temel kategoriye ayırıyor: tekil değişimler ve döngüsel değişimler.
Yöntemin özünde, pseudo-faktörlerin alt örneklem kovaryans matrislerinin analizi yatıyor. Bu analiz sayesinde, QML tahmin edicisinin tekil değişimlerde gerçek kırılma noktasını yüksek doğrulukla belirlediği kanıtlandı. Döngüsel değişimler için ise tahmin edicinin tutarlı sonuçlar verdiği gösterildi.
Araştırmada ayrıca, kırılma sayısını tahmin etmek için bir bilgi kriteri de tanıtılıyor. Monte Carlo simülasyonları, bu kriterin gerçek kırılma sayısını yüksek olasılıkla tespit edebildiğini ortaya koyuyor.
Bu yöntem, ekonomik zaman serilerinden sosyal ağ analizine kadar geniş bir uygulama yelpazesine sahip. Özellikle finansal piyasalardaki ani değişimlerin tespiti ve sosyal medya verilerindeki trend değişimlerinin analizi gibi alanlarda kullanılabilir.