Causal Discovery in Multivariate Extremes with a Hydrological Analysis of Swiss River Discharges
多元极端事件中的因果发现：瑞士河流流量分析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：摘要明确研究多元极端事件的因果发现及方向评分；水文应用并未提供金融尾部风险分类的依据。
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…
多元极端事件中的因果发现：瑞士河流流量分析
- 研究问题
- 在多元随机向量的极端水平上，如何借助两个方向的因果不对称评分判断因果方向，并应用于流量、降水和融雪关系？
- 方法与思路
- 作者基于最大吸引域存在的假设及广义帕累托随机向量表示，用边缘分布与指定随机变量之间的 Wasserstein 距离构造评分。
- 材料陈述的贡献
- 摘要称提出不依赖特定模型的极端因果评分，并以瑞士流域流量、降水和融雪的水文模拟数据展示其方法。
- 阅读关注点
- 应核对评分与因果方向之间的理论联系、最大吸引域条件和极端样本选择，以及水文模拟中的已知机制与验证方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；应用使用水文模拟数据，摘要未说明因果方向判别的完整条件或误差表现。
原文摘要
Causal asymmetry is based on the principle that an event is a cause only if its absence would not have been a cause. From there, uncovering causal effects becomes a matter of comparing a well-defined score in both directions. Motivated by studying causal effects at extreme levels of a multivariate random vector, we propose to construct a model-agnostic causal score relying solely on the assumption of the existence of a max-domain of attraction. Based on a representation of a Generalized Pareto random vector, we construct the causal score as the Wasserstein distance between the margins and a well-specified random variable. The proposed methodology is illustrated on a hydrologically simulated dataset of different characteristics of catchments in Switzerland: discharge, precipitation, and snowmelt.