你的问题对我来说是最有趣的，它的解决方案多年来一直是我的主要研究。

有多种方式可能会发生“结构性断裂”。

如果“时间序列的后半部分”中的截距发生变化或趋势发生变化，那么将更适合执行干预检测（注意，这是对未指定的确定性变量的显着影响的经验识别，例如作为水平转变或趋势变化或季节性脉冲的开始）。干预检测是干预建模的前身，其中建议的变量包含在模型中。您可以通过谷歌搜索“自动干预检测”在网上找到信息。一些作者使用术语“异常检测”，但与许多统计语言一样，这可能会令人困惑/不精确。检测到的干预可以是以下任何一种（检测残差均值的显着变化）；

1. 1 个周期的电平变化（即脉冲）
2. Level 的多周期连续变化（即 Intercept 的变化）
3. 系统脉冲（即季节性脉冲）
4. 趋势变化（即 1,2,3,4,5,7,9,11,13,15 .....）

这些程序在 R/SAS/Matlab 中很容易编程，并且通常在许多商业可用的时间序列包中可用，但是您需要警惕许多陷阱，例如是先检测随机结构还是在原创系列。这就像鸡和蛋的问题。该领域的早期工作仅限于类型 1，因此可能不足以满足您的需求。

如果没有检测到这种现象，那么可以考虑通常需要用户预先指定假设变化点的 CHOW TEST。我一直在研究和实施程序，通过及时评估替代假设点来确定最可能的转折点，从而检测变化点。

最后，人们也可能对误差方差可能存在结构变化的可能性敏感，因此这可能会掩盖 CHOW TEST 导致错误接受参数中没有显着断点的零假设。