changepoint 包中有 3 个主要功能cpt.mean，cpt.var和cpt.meanvar. 作为从业者，这些是您应该需要的包中唯一的功能。如果您认为您的数据可能包含平均值的变化，那么您可以使用该cpt.mean函数等。

下一个问题您应该问自己，您是在寻找数据中的单个还是多个更改。参数处理这个method问题，最多一次更改有 AMOC，多次更改有 PELT、BinSeg 和 SegNeigh。您要使用哪种多变更点方法取决于：

a) 您选择的分销/免分销方式（见下文）和

b) 你有多少时间/你希望你的答案有多准确。BinSeg 快速但近似，PELT 准确且快速但不能用于所有分布，SegNeigh 准确但缓慢。

下一个问题是您可以/愿意对您的数据做出哪些假设。这里的关键是该假设适用于更改之间的每组数据，而不是整个数据。例如，您可以假设一个正态分布，但如果您对整个数据进行正态性测试，它很可能会失败（由于潜在的变化）。因此，通常我们会做出假设，运行变更点分析，然后根据已识别的变更检查假设。同样，根据变化的类型，有不同的分发和无分发方法。有关选择，请参阅每个函数的文档，并随时评论您正在考虑使用的测试统计数据，我可以列出假设。

最后，你看看点球。惩罚提供了许多小更改和没有更改之间的折衷。因此，如果您将惩罚设置为 0，那么您在每个可能的位置都会得到更改，如果您将惩罚设置为无穷大，那么您不会得到任何更改。适当的惩罚值取决于您的数据和您要回答的问题。例如，您可能平均有 0.5 个单位的变化，但您可能只对 1+ 个单位的变化感兴趣。有很多方法可以选择你的惩罚：

1. “by-eye”，即尝试几个不同的值，直到找到一个看起来适合您的问题的值。

2. “elbow-plot”，即绘制针对所使用的惩罚确定的变化点的数量。这将创建一条曲线，其中较小的惩罚值会产生较大的（虚假）变化，并且随着惩罚的减少，这些虚假变化会以较快的速度下降，该速率会减慢，因为只留下真正的变化，然后慢慢下降到没有变化以产生较大的惩罚. 我们的想法是将 2 条直线拟合到这条曲线上，并选择它们相交的罚分。这产生了一种特别但更客观的选择惩罚的方法，而不是 1。

3. 使用信息标准。包装中包含 AIC、BIC/SIC、Hannan-Quinn 等一些。包装中不包含其他一些，但您可以根据需要提供一个公式pen.value。

如果您需要更多信息或对具体问题进行说明，请发表评论，我会尽力回答。