An M -Estimator of Spatial Tail Dependence
空间尾部依赖的 M 估计量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。
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：摘要明确涉及空间极值与风速应用，虽有尾部依赖，但缺少金融风险分类所需的直接金融语境。
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…
空间尾部依赖的 M 估计量
- 研究问题
- 对于具有高维空间结构、处于最大稳定分布吸引域的数据，如何利用高阈值观测估计尾部依赖模型？
- 方法与思路
- 作者提出仅使用二元边缘的秩型 M 估计量，以数据驱动权重矩阵优化渐近方差，并用经验过程方法分析其性质。
- 材料陈述的贡献
- 摘要称，估计量具有一致性和渐近正态性，并通过加入噪声的最大稳定过程模拟及荷兰风速数据展示方法表现。
- 阅读关注点
- 应核对高阈值的选择、二元边缘对参数的识别、权重矩阵的估计，以及空间依赖和加性噪声下的理论条件。
- 阅读边界
- 所给 Crossref 摘要未给出阈值规则、理论条件或模拟数值；风速尾部依赖结果不能直接推广到金融系统性风险。
原文摘要
Summary Tail dependence models for distributions attracted to a max-stable law are fitted by using observations above a high threshold. To cope with spatial, high dimensional data, a rank-based M-estimator is proposed relying on bivariate margins only. A data-driven weight matrix is used to minimize the asymptotic variance. Empirical process arguments show that the estimator is consistent and asymptotically normal. Its finite sample performance is assessed in simulation experiments involving popular max-stable processes perturbed with additive noise. An analysis of wind speed data from the Netherlands illustrates the method.