Inference for extremal regression with dependent heavy-tailed data
依赖重尾数据的极端回归推断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：摘要明确研究极端条件分位数与期望分位数，并以股票收益尾部为应用。
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…
依赖重尾数据的极端回归推断
- 研究问题
- 在数据具有依赖性、条件重尾且尾指数随协变量变化时，如何对极端条件分位数和期望分位数进行可实施的非参数推断？
- 方法与思路
- 作者在α混合框架下处理尾部稀疏、局部平滑与依赖问题，提出偏差和方差缩减程序，以及数据驱动的调参规则。
- 材料陈述的贡献
- 摘要称证明估计量逐点渐近正态性并获得最优收敛率，展示有限样本表现，还应用于股票收益与龙卷风损失数据。
- 阅读关注点
- 应核对混合、尾部和平滑条件如何共同约束极端水平，以及最优率的比较范围、调参规则和置信区间的构造。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明极端水平增长条件、模型范围及数值结果，逐点结论不能扩为一致推断。
原文摘要
Nonparametric inference on tail conditional quantiles and their least squares analogs, expectiles, remains limited to i.i.d. data. We develop a fully operational inferential theory for extreme conditional quantiles and expectiles in the challenging framework of α-mixing, conditional heavy-tailed data whose tail index may vary with covariate values. This requires a dedicated treatment to deal with data sparsity in the far tail of the response, in addition to handling difficulties inherent to mixing, smoothing and sparsity associated to covariate localization. We prove the pointwise asymptotic normality of our estimators and obtain optimal rates of convergence reminiscent of those found in the i.i.d. regression setting, but which had not been established in the conditional extreme value literature. Our assumptions hold in a wide range of models. We propose full bias and variance reduction procedures, and simple but effective data-based rules for selecting tuning hyperparameters. Our inference strategy is shown to perform well in finite samples and is showcased in applications to stock returns and tornado loss data.