Regressions under Adverse Conditions
不利条件下的回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确以困境变量的尾部事件定义回归目标，并联系边际期望损失及系统性风险应用，直接支持尾部与系统性风险分类。
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…
关注这篇论文的作者
不利条件下的回归
- 研究问题
- 当困境变量落入其分布尾部时，如何刻画结果变量条件均值与协变量的关系，并将这种回归用于风险和经济脆弱性分析？
- 方法与思路
- 作者建立尾部不利情景下的均值回归，提出两步估计程序，研究一致性、渐近正态性及可行推断，并考虑截面和时间序列应用。
- 材料陈述的贡献
- 摘要将该回归解释为边际期望损失回归，并报告模拟支持渐近近似；应用涉及系统性风险与资产泡沫、宏观增长脆弱性分解。
- 阅读关注点
- 核对尾部事件及目标条件均值的定义、两步估计误差如何进入推断，以及所谓弱条件对尾部概率和时间依赖的要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明尾部阈值、具体正则条件和应用结果的数值大小。
原文摘要
We introduce a new regression method that relates the mean of an outcome variable to covariates, under the "adverse condition" that a distress variable falls in its tail. This allows to tailor classical mean regressions to adverse scenarios, which receive increasing interest in economics and finance, among many others. In the terminology of the systemic risk literature, our method can be interpreted as a regression for the Marginal Expected Shortfall. We propose a two-step procedure to estimate the new models, show consistency and asymptotic normality of the estimator, and propose feasible inference under weak conditions that allow for cross-sectional and time series applications. Simulations verify the accuracy of the asymptotic approximations of the two-step estimator. Two empirical applications show that our regressions under adverse conditions are a valuable tool in such diverse fields as the study of the relation between systemic risk and asset price bubbles, and dissecting macroeconomic growth vulnerabilities into individual components.