Estimation and inference about tail features with tail censored data
尾部删失数据下尾部特征的估计与推断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。
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：摘要直接研究尾指数和极端分位数，并应用于宏观灾难尾部风险及风险厌恶系数。
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
尾部删失数据下尾部特征的估计与推断
- 研究问题
- 当超过阈值的观测被删失时，如何估计尾指数和极端分位数，并避免即使删失概率很小也可能出现的偏差与检验水平失真？
- 方法与思路
- 作者基于帕累托尾部近似提出最大似然估计并推导渐近性质，另以极值理论构造置信区间，通过模拟及宏观灾难数据应用评价方法。
- 材料陈述的贡献
- 摘要称，方法在模拟中具有良好小样本表现；宏观灾难尾指数和风险厌恶系数应用得到与既有方法明显不同的经验结果。
- 阅读关注点
- 应核对删失阈值与删失机制、帕累托近似误差和尾部样本量条件，以及从宏观灾难尾指数到风险厌恶系数的推导和识别依据。
- 阅读边界
- 仅据所给出版社摘要，无法判断小样本优势的幅度、经验结果变化方向或任意删失机制下的有效性；摘要未给出具体数据处理与区间数值。
原文摘要
This paper considers estimation and inference about tail features such as tail index and extreme quantile when the observations beyond some threshold are censored. Ignoring such tail censoring could lead to substantial bias and size distortion, even if the censored probability is tiny. We first propose a new maximum likelihood estimator (MLE) based on the Pareto tail approximation and derive its asymptotic properties. Then, we propose an alternative method of constructing confidence intervals by resorting to extreme value theory. The MLE and the confidence intervals deliver excellent small sample performance, as shown by Monte Carlo simulations. Finally, we apply the proposed methods to estimate and construct confidence intervals for the tail index of the distribution of macroeconomic disasters and the coefficient of risk aversion using the dataset collected by Barro and Ursúa (2008). Our empirical findings are substantially different from those obtained from the existing methods.