Modelling peaks over thresholds in panel data: a two-level grouped panel generalized Pareto regression
面板数据的超阈值峰值建模：两层分组广义帕累托回归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：摘要明确提出具有潜在分组结构的面板回归；极端值应用为水文数据，不据此归入金融风险。
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…
关注这篇论文的作者
面板数据的超阈值峰值建模：两层分组广义帕累托回归
- 研究问题
- 对面板中的单变量极端值，如何兼顾各边际分布的异质性与估计效率，并从数据识别潜在分组，避免依赖先验区域划分？
- 方法与思路
- 作者提出两层分组面板广义帕累托回归，对高阈值以上的峰值建模，并处理高维优化和分组识别问题，以模拟及多瑙河流量数据评估。
- 材料陈述的贡献
- 摘要称该框架更充分利用极端事件信息，并扩展可探索的模型空间；河流应用显示估计效率提高，且发现既有分区方法遗漏的尾部模式。
- 阅读关注点
- 核对两层分组分别约束哪些参数、阈值与组数如何选择，以及跨站点和时间依赖如何处理；检查分组误判对估计效率及不确定性的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明分组识别条件、阈值敏感性或效率改善幅度，河流应用也不能直接保证金融适用性。
原文摘要
Panel data arise in a wide range of application areas, and developing modelling methods for extreme values under such a setup is essential for reliable risk assessment and management. When choosing to model the marginal distributions of univariate extremes, one may wish to balance the flexibility in capturing the heterogeneity among margins and the efficiency of estimation. This can be achieved through a combination of regression techniques and assuming a latent group structure based on parameter values, which needs to be estimated from data. Building on an existing method, we propose a two-level grouped panel generalized Pareto regression framework, which models peaks over high thresholds in panel data. While retaining the wide applicability of the original modelling strategy, which is largely domain-knowledge-free, our new methodology uses the information of extreme events more exhaustively and allows the exploration of a broader model space, where parsimony and good model fit can be achieved simultaneously. We also address several estimation challenges associated with high-dimensional optimization and group structure identification. The finite-sample performance of our methodology is carefully evaluated through simulation studies. With an application to the summer river flow data from 31 stations in the upper Danube basin, we show that our methodology can effectively improve estimation efficiency while discovering patterns in the tail behavior that can be omitted by domain-knowledge-based regionalization and the existing method.