变点估计用于识别在未知时间中观测目标状态的变化,并且可以估计过程中变点的位置。在模型的误差项是相互独立的假设下,现在已经有很多的方法来解决变点问题。但是,如果数据按照时间顺序来收集,序列就可能存在明显的相关性。在这种情况下,我们提出一个新的方法来解决变点的估计问题。我们的方法在于将变点问题重新构造成变量选择的形式,将通过带有l₁惩罚的最小二乘准则来实现目标。这篇文章将阐明在实际中如何分别通过最小绝对压缩和选择算子（LASSO）和自适应LASSO的算法来实施我们的方法。第一种方法跟传统的LASSO估计方法类似,只有两个调整参数（一个用于调整回归系数,另一个调整自回归系数）。第二种方法对每一个回归系数和自回归系数都设定调节系数（调节系数至少两个）。我们的模拟将会比较LASSO和自适应LASSO的变点识别的正确率和估计误差,除此之外还比较了在处理存在相关性的数据时,带自回归项的模型与不带自回归项的模型的优劣。我们的实例分析处理的数据是来自雅虎的衡量美国股票市场的SPY数据集。通过将检测出的变点与相应时间段的历史事件进行比照来评价我们所提出的方法。