A Semiparametric Bootstrap Technique for Simulating Extreme Order Statistics
模拟极端次序统计量的半参数自助法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：摘要研究一般极端次序统计量，没有金融尾部风险或系统性风险的明确应用。
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…
关注这篇论文的作者
模拟极端次序统计量的半参数自助法
- 研究问题
- 当总体属于Gumbel极值分布的吸引域时，如何模拟超大样本中最大的若干次序统计量的联合分布，并选择尾部观测数？
- 方法与思路
- 作者对原数据最大若干观测的标准化间距进行重抽样，以生成更少个极端次序统计量，并与Weissman拟合极值分布比较。
- 材料陈述的贡献
- 摘要称两种分布在给定尾部观测后具有相同均值；间距满足相应指数分布条件时表现趋近，并提出尾部观测数的选择程序。
- 阅读关注点
- 应核对间距标准化、Gumbel吸引域条件、尾部观测数的估计程序，以及条件均值相同与联合分布近似之间的区别。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；未说明其他极值吸引域或金融应用，不能推广到所有重尾分布或风险度量。
原文摘要
We propose a technique for simulating the joint distribution of the j largest order statistics of a very large sample. We assume that the parent population is in the domain of attraction of the Type 1 (Gumbel) extreme value distribution. The bootstrap variates are generated by resampling the normalized spacings of the k largest observed values in the original data where k is larger than j. We compare the bootstrap distribution to the fitted extremal distribution of Weissman. Both distributions have the same means, conditional on the k largest observed values in the data set. If k is large and the normalized spacings behave as independent and identically distributed exponential random variables then the bootstrap variates behave as though sampled from the extremal distribution. We propose several procedures for estimating k and give a numerical example.