Wasserstein-based Minimax Estimation of Dependence in Multivariate Regularly Varying Extremes
基于 Wasserstein 距离的多元正则变动极值依赖极小极大估计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：摘要属于通用多元极值与因子模型理论，未明确金融尾部风险或宏观因子应用。
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…
基于 Wasserstein 距离的多元正则变动极值依赖极小极大估计
- 研究问题
- 在正则变动潜在因子的多元线性模型中，谱测度估计能达到怎样的最坏情形风险界，阈值估计何时达到最优收敛速度？
- 方法与思路
- 作者以 p 阶 Wasserstein 距离衡量谱测度误差，推导多元超阈值估计的非渐近速率和信息论下界，并提出两步估计量。
- 材料陈述的贡献
- 摘要称，给出该类模型谱测度估计的首组极小极大风险界，说明阈值估计的最优性范围，并用两步方法弥补其低效率情形。
- 阅读关注点
- 应核对 Pareto 型模型类、损失与尾部条件、阈值选择及维度影响，尤其关注两步估计达到下界所需的信息和假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出速率公式和适用条件，也未提供足够证据确认其首创性范围。
原文摘要
We present the first minimax risk bounds for estimators of the spectral measure in multivariate linear factor models, where observations are linear combinations of regularly varying latent factors. Non-asymptotic convergence rates are derived for the multivariate Peak-over-Threshold estimator in terms of the $p$-th order Wasserstein distance, and information-theoretic lower bounds for the minimax risks are established. The convergence rate of the estimator is shown to be minimax optimal under a class of Pareto-type models analogous to the standard class used in the setting of one-dimensional observations known as the Hall-Welsh class. When the estimator is minimax inefficient, a novel two-step estimator is introduced and demonstrated to attain the minimax lower bound. Our analysis bridges the gaps in understanding trade-offs between estimation bias and variance in multivariate extreme value theory.