Fundamentals of non-parametric statistical inference for integrated quantiles
分位数积分的非参数统计推断基础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：摘要明确涉及分位数积分、洛伦兹与基尼曲线，以及尾部风险价值，直接关联分布分析和尾部风险。
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…
分位数积分的非参数统计推断基础
- 研究问题
- 如何为分位数积分建立一般非参数推断理论，并将其用于尾部风险、洛伦兹曲线、基尼曲线及截尾均值等统计量？
- 方法与思路
- 作者建立不预设特定抽样设计或依赖结构的一般框架，再针对简单随机抽样推导一致性与渐近正态性，并讨论时序依赖。
- 材料陈述的贡献
- 摘要称，该框架统一推导多种经典估计量的大样本性质，提供新的证明，并解释经验估计偏误及若干必要、充分条件的来源。
- 阅读关注点
- 应核对一般结果对分布尾部和分位数积分的要求，以及简单随机抽样与依赖数据下结论的差别、偏误和适用概率水平。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未列出所谓最小条件，不能据此认为所有尾部分布或依赖结构均适用。
原文摘要
We present a general non-parametric statistical inference theory for integrals of quantiles without assuming any specific sampling design or dependence structure. Technical considerations are accompanied by examples and discussions, including those pertaining to the bias of empirical estimators. To illustrate how the general results can be adapted to specific situations, we derive - at a stroke and under minimal conditions - consistency and asymptotic normality of the empirical tail-value-at-risk, Lorenz and Gini curves at any probability level in the case of the simple random sampling, thus facilitating a comparison of our results with what is already known in the literature. Results, notes and references concerning dependent (i.e., time series) data are also offered. As a by-product, our general results provide new and unified proofs of large-sample properties of a number of classical statistical estimators, such as trimmed means, and give additional insights into the origins of, and the reasons for, various necessary and sufficient conditions.