Empirical tail copulas for functional data
函数型数据的经验尾部 CopulaAI 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：摘要研究一般函数型数据的尾部依赖，未提供金融风险或其他所列应用领域的直接证据。
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…
关注这篇论文的作者
函数型数据的经验尾部 Copula
- 研究问题
- 如何将多元分布上尾依赖的秩估计理论推广到连续函数型数据，并在不同有限位置集合上统一描述估计误差？
- 方法与思路
- 作者利用各类 D 元尾部经验过程的一致渐近正态性，研究至多包含固定 D 个位置的集合上的尾部 Copula 估计。
- 材料陈述的贡献
- 摘要称建立了上述位置集合上的一致渐近正态性，将已有多元结果推广至函数型数据，并给出尾部 Copula 平稳性检验应用。
- 阅读关注点
- 应核对函数路径与尾部条件、阈值选择、固定 D 的作用，以及非标准证明如何处理位置集合上的一致性。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体正则条件、检验构造和有限样本表现未说明，不能推广到 D 随样本增长的情形。
原文摘要
For multivariate distributions in the domain of attraction of a max-stable distribution, the tail copula and the stable tail dependence function are equivalent ways to capture the dependence in the upper tail. The empirical versions of these functions are rank-based estimators whose inflated estimation errors are known to converge weakly to a Gaussian process that is similar in structure to the weak limit of the empirical copula process. We extend this multivariate result to continuous functional data by establishing the asymptotic normality of the estimators of the tail copula, uniformly over all finite subsets of at most D points (D fixed). An application for testing tail copula stationarity is presented. The main tool for deriving the result is the uniform asymptotic normality of all the D-variate tail empirical processes. The proof of the main result is nonstandard.