Extreme-PLS with missing data under weak dependence
弱相依与缺失数据下的极端偏最小二乘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：摘要明确涉及 alpha 混合框架下的时间相依结构与重尾极端相依建模，并应用于环境数据中的尾部方向，故对应时间序列与尾部风险方向。
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
弱相依与缺失数据下的极端偏最小二乘
- 研究问题
- 摘要称，本文研究在协变量存在缺失且序列弱相依时，如何对响应变量与高维协变量之间的极端相依关系做降维估计。
- 方法与思路
- 作者提出在重尾条件下设定单指标逆回归模型，引入依赖于响应极端程度的随机缺失机制，并在 alpha 混合框架下推导所提估计量的渐近性质与正则变化尾下的一致性。
- 材料陈述的贡献
- 摘要称其将近期 EPLS 方法扩展到同时存在序列相关与缺失的更现实数据情形，给出相应渐近理论，并通过十一种相依结构的蒙特卡洛实验与一个环境数据实例说明方法表现。
- 阅读关注点
- 应核对缺失机制的具体假设与可识别条件、alpha 混合与正则变化尾条件的强度、估计量收敛速率与渐近分布是否给出，以及模拟设计与实证数据是否支持摘要中的稳健性表述。
- 阅读边界
- 仅凭摘要无法判断定理证明细节、假设是否可检验、有限样本表现与实证结论的稳健性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
This paper develops a theoretical framework for Extreme Partial Least Squares (EPLS) dimension reduction in the presence of missing data and weak temporal dependence. Building upon the recent EPLS methodology for modeling extremal dependence between a response variable and high-dimensional covariates, we extend the approach to more realistic data settings where both serial correlation and missing-ness occur. Specifically, we consider a single-index inverse regression model under heavy-tailed conditions and introduce a Missing-at-Random (MAR) mechanism acting on the covariates, whose probability depends on the extremeness of the response. The asymptotic behavior of the proposed estimator is established within an alpha-mixing framework, leading to consistency results under regularly varying tails. Extensive Monte-Carlo experiments covering eleven dependence schemes (including ARMA, GARCH, and nonlinear ESTAR processes) demonstrate that the method performs robustly across a wide range of heavy-tailed and dependent scenarios, even when substantial portions of data are missing. A real-world application to environmental data further confirms the method's capacity to recover meaningful tail directions.