Confidence regions for high quantiles of a heavy tailed distribution
重尾分布高分位数的置信域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：摘要明确将重尾高分位数估计置于风险管理背景，直接对应尾部风险的统计推断。
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
重尾分布高分位数的置信域
- 研究问题
- 风险管理需要对未知分布进行尾部外推时，如何为重尾分布的高分位数构造置信域，并比较不同推断方法的表现？
- 方法与思路
- 作者提出正态近似、似然比及数据倾斜三种高分位数置信域构造方法，并通过模拟比较这些方法的表现。
- 材料陈述的贡献
- 摘要明确给出三类置信域方法，并称模拟研究更支持数据倾斜方法；这提供了重尾高分位数推断的不同技术选择。
- 阅读关注点
- 应核对重尾条件、目标分位数随样本量的变化、外推方式及置信域构造，并确认模拟偏好采用何种覆盖率或精度指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；尾部条件、模拟设置与数值结果未说明，模拟偏好不能视为数据倾斜方法的普遍优势。
原文摘要
Estimating high quantiles plays an important role in the context of risk management. This involves extrapolation of an unknown distribution function. In this paper we propose three methods, namely, the normal approximation method, the likelihood ratio method and the data tilting method, to construct confidence regions for high quantiles of a heavy tailed distribution. A simulation study prefers the data tilting method.