Heavy-tailed max-linear structural equation models in networks with hidden nodes
含隐藏节点网络中的重尾最大线性结构方程模型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：摘要明确研究有向无环网络中的隐藏节点、路径和节点间依赖，因而选择网络方向；未涉及金融风险应用。
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…
含隐藏节点网络中的重尾最大线性结构方程模型
- 研究问题
- 当有向无环图中的部分节点不可观测时，观测到的重尾最大线性变量何时仍可表示为递归子模型，并如何检测该结构？
- 方法与思路
- 作者从最大加权路径给出图条件与构造算法，再以正则变差转为可检验准则，并利用变换变量的极端依赖度量进行检测。
- 材料陈述的贡献
- 摘要称给出子模型表示的充要条件，建立路径与极端依赖的联系，并证明阈值程序下估计量的一致性和渐近正态性。
- 阅读关注点
- 应核对隐藏节点可被吸收的图条件、正则变差与阈值要求，以及二元检测结果如何支持更大网络中的模型判断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列完整理论条件，营养摄入应用不能直接推广为金融尾部风险结论。
原文摘要
Recursive max-linear vectors provide models for causal dependence between large values of random variables that are supported on directed acyclic graphs, but the standard assumption that all nodes of such a graph are observed can be unrealistic. We give necessary and sufficient conditions for a partially observed recursive max-linear vector to be representable as a recursive max-linear (sub-)model and provide a graphical algorithm to construct the latter. Our conditions concern the max-weighted paths of a directed acyclic graph and its minimal representation, which play a key role for such models. In the framework of regular variation we translate these conditions into checkable criteria and establish a connection between max-weighted paths and the extremal dependence measure of transformed variables for pairs of nodes. We propose a statistical algorithm to detect bivariate regularly varying recursive max-linear models among the node variables of a directed acyclic graph and show consistency and asymptotic normality of the estimators of the extremal dependence measure under a thresholding procedure. Simulations show that our algorithm performs satisfactorily. We apply it to nutrition intake data.