Causal tail coefficient for compound extremes in multivariate time series
多变量时间序列复合极端事件的因果尾部系数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：摘要明确在平稳时间序列中构造并检验极端事件的因果依赖；未提供金融风险应用依据。
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…
多变量时间序列复合极端事件的因果尾部系数
- 研究问题
- 当多个变量共同造成显著影响、但各自未必达到边际极端时，如何检测复合极端事件之间的因果依赖及方向？
- 方法与思路
- 作者为平稳时间序列对定义复合因果尾部系数，构造一致估计量，并据此建立检验因果关系存在与方向的 Bootstrap 检验。
- 材料陈述的贡献
- 摘要称框架能处理复合极端事件、非线性与潜在混杂，并通过理论性质、模拟及空间天气应用展示方法的有效性。
- 阅读关注点
- 应核对复合事件的定义、尾部系数与因果方向的联系、允许潜在混杂的具体条件，以及尾部估计和重抽样的有效性要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明因果解释的完整条件，容纳潜在混杂不等于消除任意混杂。
原文摘要
Extreme events are often multivariate in nature. A compound extreme occurs when a combination of variables jointly produces a significant impact, even if individual components are not necessarily marginally extreme. Compound extremes have been observed across a wide range of domains, including space weather, climate, and environmental science. For example, heavy rainfall sustained over consecutive days can impose cumulative stress on urban drainage systems, potentially resulting in flooding. However, most existing methods for detecting extremal causality focus primarily on individual extreme values and lack the flexibility to capture causal relationships between compound extremes. This work introduces a novel framework for detecting causal dependencies between extreme events, including compound extremes. We introduce the compound causal tail coefficient that captures the extremal dependance of compound events between pairs of stationary time series. Based on a consistent estimator of this coefficient, we develop a bootstrap hypothesis test to evaluate the presence and direction of causal relationships. Our method can accommodate nonlinearity and latent confounding variables. We demonstrate the effectiveness of our method by establishing theoretic properties and through simulation studies and an application to space-weather data.