Bias correction in multivariate extremes
多元极值中的偏差校正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：摘要研究通用多元极值与尾部依赖，未明确涉及金融尾部风险或系统性风险应用。
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…
多元极值中的偏差校正
- 研究问题
- 估计多元极端依赖结构时，如何缓解随所用观测数量增加而加重的偏差，并简化尾部阈值的选择？
- 方法与思路
- 作者将偏差校正研究扩展至多元情形，构造稳定尾部依赖函数的新估计量族，再利用其随观测数量变化的规律进行聚合。
- 材料陈述的贡献
- 摘要称新估计量是已有经验估计量的渐近无偏版本，其聚合形式可显著简化阈值选择，并提供模拟与真实数据应用。
- 阅读关注点
- 应核对偏差展开与校正所需条件、聚合权重及阈值规则，并比较校正前后的偏差、方差与实际阈值敏感性。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；渐近无偏不等于有限样本无偏，摘要未说明条件、数值结果或真实数据领域。
原文摘要
The estimation of the extremal dependence structure is spoiled by the impact of the bias, which increases with the number of observations used for the estimation. Already known in the univariate setting, the bias correction procedure is studied in this paper under the multivariate framework. New families of estimators of the stable tail dependence function are obtained. They are asymptotically unbiased versions of the empirical estimator introduced by Huang [Statistics of bivariate extremes (1992) Erasmus Univ.]. Since the new estimators have a regular behavior with respect to the number of observations, it is possible to deduce aggregated versions so that the choice of the threshold is substantially simplified. An extensive simulation study is provided as well as an application on real data.