Extreme Value Statistics in Semi-Supervised Models
半监督模型中的极值统计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：摘要明确研究目标变量极端分位数的估计及其渐近性质，与分位数和分布方法直接相关。
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…
半监督模型中的极值统计
- 研究问题
- 除目标变量的已标记样本外，还拥有更多协变量观测时，能否利用尾部依赖改善目标变量极值指数和极端分位数的估计？
- 方法与思路
- 作者在已标记与未标记样本并存的半监督框架中，利用目标变量与协变量的尾部依赖构造估计量，并分析其渐近行为。
- 材料陈述的贡献
- 摘要称相较仅使用目标变量的单变量估计，新方法降低渐近方差而保持渐近偏差不变；模拟和法国降雨数据展示其表现。
- 阅读关注点
- 应核对尾部依赖条件、已标记与未标记样本规模的关系、尾部阈值选择，以及方差降低是否依赖协变量的信息强度。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；尾部条件、方差改善幅度及有限样本偏差未说明，不能推断刊本变化。
原文摘要
We consider extreme value analysis in a semi-supervised setting, where we observe, next to the n data on the target variable, n+m data on one or more covariates.This is called the semi-supervised model with n labeled and m unlabeled data.By exploiting the tail dependence between the target variable and the covariates, we derive estimators for the extreme value index and extreme quantiles of the target variable in this setting and establish their asymptotic behavior.Our estimators substantially improve the univariate estimators, based on only the n target variable data, in terms of asymptotic variances whereas the asymptotic biases remain unchanged.A simulation study confirms the substantially improved behavior of both estimators.Finally the estimation method is applied to rainfall data in France.Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.