Extremile Regression
极值均值回归（Extremile Regression）AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究条件分布位置特征、重尾外推和风险管理中的尾部损失度量，对应分布方法与尾部风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
极值均值回归（Extremile Regression）
- 研究问题
- 作者研究如何在含协变量的情境中估计由加权期望定义的 extremile，解释其预期最小值和最大值含义，并延伸至重尾远端。
- 方法与思路
- 作者采用局部线性最小二乘型检查函数最小化估计条件 extremile，推导渐近正态性，并为重尾分布构造尾部外推估计量。
- 材料陈述的贡献
- 摘要称系统研究了 extremile 回归及尾部外推理论，并指出相关风险度量考虑损失严重程度，具有一致性与共单调可加性质。
- 阅读关注点
- 应核对 extremile 与分位数及其他加权均值的区别、风险度量性质的适用范围，以及重尾外推所需的尾部假设与阈值选择。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；风险度量性质的参数范围、外推条件和有限样本表现未说明，不能据此判断实际风险测量精度。
原文摘要
Regression extremiles define a least squares analogue of regression quantiles. They are determined by weighted expectations rather than tail probabilities. Of special interest is their intuitive meaning in terms of expected minima and maxima. Their use appears naturally in risk management where, in contrast to quantiles, they fulfill the coherency axiom and take the severity of tail losses into account. In addition, they are comonotonically additive and belong to both the families of spectral risk measures and concave distortion risk measures. This article provides the first detailed study exploring implications of the extremile terminology in a general setting of presence of covariates. We rely on local linear (least squares) check function minimization for estimating conditional extremiles and deriving the asymptotic normality of their estimators. We also extend extremile regression far into the tails of heavy-tailed distributions. Extrapolated estimators are constructed and their asymptotic theory is developed. Some applications to real data are provided.