Heavy-Tailed Density Estimation
重尾密度估计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：摘要研究一般重尾密度与尾指数，未建立金融尾部风险或经济分布效应的具体研究语境。
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…
重尾密度估计
- 研究问题
- 当分布主体的信息可能掩盖稀疏尾部信息时，如何联合估计重尾密度与尾指数，并改善尾指数和高尾部分位数的不确定性评估？
- 方法与思路
- 作者采用半参数贝叶斯先验，将平滑性与尾部正则化纳入模型，通过联合似然估计分布主体和尾部，而非仅依赖阈值截取。
- 材料陈述的贡献
- 摘要称密度和尾指数的后验收缩速率接近极小极大最优，并报告相较阈值方法更好的尾指数不确定性评估与高分位数估计。
- 阅读关注点
- 应核对重尾类别、平滑与尾部条件、先验支持及正则化强度，以及与阈值方法比较时的设定和不确定性评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未列速率、假设和比较细节，也未明确金融风险应用。
原文摘要
A novel statistical method is proposed and investigated for estimating a heavy tailed density under mild smoothness assumptions. Statistical analyses of heavy-tailed distributions are susceptible to the problem of sparse information in the tail of the distribution getting washed away by unrelated features of a hefty bulk. The proposed Bayesian method avoids this problem by incorporating smoothness and tail regularization through a carefully specified semiparametric prior distribution, and is able to consistently estimate both the density function and its tail index at near minimax optimal rates of contraction. A joint, likelihood driven estimation of the bulk and the tail is shown to help improve uncertainty assessment in estimating the tail index parameter and offer more accurate and reliable estimates of the high tail quantiles compared to thresholding methods. Supplementary materials for this article are available online.