Estimating Max-Stable Random Vectors with Discrete Spectral Measure using Model-Based Clustering
利用模型聚类估计具有离散谱测度的最大稳定随机向量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：摘要研究一般极值因子模型并应用于降雨和野火，未明确宏观或金融因子用途，不能仅凭因子与尾部术语强行归类。
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
利用模型聚类估计具有离散谱测度的最大稳定随机向量
- 研究问题
- 在潜在因子数未知、载荷稀疏且噪声尾部较轻的极值因子模型中，如何从成对极值相关识别因子数与载荷矩阵？
- 方法与思路
- 作者利用独立正则变化因子形成的离散谱测度，在存在仅关联单一因子的纯变量时构造识别，并据此开展模型聚类估计。
- 材料陈述的贡献
- 摘要称，构造性识别证明导出从弱依赖观测中估计因子数与载荷矩阵的方法，并以降雨周最大值和野火数据作应用。
- 阅读关注点
- 核对纯变量、载荷缩放及稀疏条件、因子数识别机制，以及极值相关估计、阈值选择和弱依赖对聚类结果的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未列出估计误差与一致性条件，纯变量前提不能忽略。
原文摘要
This study introduces a novel estimation method for the entries and structure of a matrix $A$ in the linear factor model $\mathbf{X} = A\textbf{Z} + \textbf{E}$. This is applied to an observable vector $\mathbf{X} \in \mathbb{R}^d$ with $\textbf{Z} \in \mathbb{R}^K$, a vector composed of independently regularly varying random variables, and lighter tail noise $\textbf{E} \in \mathbb{R}^d$. The spectral measure of the regularly varying random vector $\mathbf{X}$ is subsequently discrete and completely characterised by the matrix $A$. It follows that the behaviour of its maxima can be modelled by a max-stable random vector with discrete spectral measure. Every max-stable random vector with discrete spectral measure can be written as a linear factor model. Each row of the matrix $A$ is supposed to be both scaled and sparse. Additionally, the value of $K$ is not known a priori. The problem of identifying the matrix $A$ from its matrix of pairwise extremal correlation is addressed. In the presence of pure variables, which are elements of $\mathbf{X}$ linked, through $A$, to a single latent factor, the matrix $A$ can be reconstructed from the extremal correlation matrix. Our proofs of identifiability are constructive and pave the way for our innovative estimation for determining the number of factors $K$ and the matrix $A$ from $n$ weakly dependent observations on $\mathbf{X}$. We apply the suggested method to weekly maxima rainfall and wildfires to illustrate its applicability.