Structural grouping of extreme value models via graph fused lasso
基于图融合套索的极值模型结构分组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：摘要以广义帕累托分布形状参数刻画尾部行为，属于尾部与系统性风险方向；同时涉及聚类间分布参数的同质异质分组，与分位数及分布效应相关。
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…
基于图融合套索的极值模型结构分组
- 研究问题
- 摘要称，本文研究如何对聚类数据中广义帕累托分布（GPD）的形状参数进行分组，即判断哪些聚类的尾部行为可以视为同质、哪些存在异质。
- 方法与思路
- 作者提出用图融合套索方法，在估计 GPD 模型参数的同时识别可合并的聚类；摘要称建立了所提估计量的渐近理论，并通过蒙特卡洛模拟评估其表现。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出同时估计参数与识别聚类分组的图融合套索方法，证明所提估计量方差低于逐聚类估计量，并称该方差下降为判断聚类间尾部同质与异质提供了依据。
- 阅读关注点
- 阅读全文时应核对：图结构与融合惩罚的具体设定、渐近理论所需的识别与正则条件、方差比较的适用范围，以及日本 996 个站点降雨数据实例中分组结果的解释。
- 阅读边界
- 仅凭摘要无法判断渐近理论的正则条件是否合理、模拟设计是否充分、实例结论是否稳健；摘要未说明具体数值结果、调参方式与软件实现。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
The generalized Pareto distribution (GPD) is a fundamental model for analyzing the tail behavior of a distribution. In particular, the shape parameter of the GPD characterizes the extremal properties of the distribution. As described in this paper, we propose a method for grouping shape parameters in the GPD for clustered data via graph fused lasso. The proposed method simultaneously estimates the model parameters and identifies which clusters can be grouped together. We establish the asymptotic theory of the proposed estimator and demonstrate that its variance is lower than that of the cluster-wise estimator. This variance reduction not only enhances estimation stability but also provides a principled basis for identifying homogeneity and heterogeneity among clusters in terms of their tail behavior. We assess the performance of the proposed estimator through Monte Carlo simulations. As an illustrative example, our method is applied to rainfall data from 996 clustered sites across Japan.