Extremiles: A New Perspective on Asymmetric Least Squares
Extremiles：非对称最小二乘的新视角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：摘要以分位数和尾部分布描述为核心，并明确讨论与一致性风险度量的联系。
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…
Extremiles：非对称最小二乘的新视角
- 研究问题
- 能否构造与分位数相对应、替代期望分位数的尾部描述量，兼顾位置与离散程度，并估计样本范围内外的非中心行为？
- 方法与思路
- 作者提出extremiles这一分布描述量类别，包含期望最小值与最大值，从多个角度解释其动机，并讨论尾部估计及风险联系。
- 材料陈述的贡献
- 摘要称该类别有助于同时拟合位置和离散程度、描述长尾分布，并讨论超过样本最大值的估计及与一致性风险度量的联系。
- 阅读关注点
- 应核对extremiles的正式定义、与分位数及期望分位数的关系，以及样本外尾部估计所需条件和风险度量性质。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；尾部条件、外推方法及风险度量联系未详述，不能认定该方法普遍优于既有尾部描述量。
原文摘要
Quantiles and expectiles of a distribution are found to be useful descriptors of its tail in the same way as the median and mean are related to its central behavior. This article considers a valuable alternative class to expectiles, called extremiles, which parallels the class of quantiles and includes the family of expected minima and expected maxima. The new class is motivated via several angles, which reveals its specific merits and strengths. Extremiles suggest better capability of fitting both location and spread in data points and provide an appropriate theory that better displays the interesting features of long-tailed distributions. We discuss their estimation in the range of the data and beyond the sample maximum. A number of motivating examples are given to illustrate the utility of estimated extremiles in modeling noncentral behavior. There is in particular an interesting connection with coherent measures of risk protection. Supplementary materials for this article are available online.