Likelihood-Based Inference for Max-Stable Processes
最大稳定过程的似然推断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：摘要研究空间极值过程与降水应用，未提供金融尾部或系统性风险背景，现有领域细分没有直接对应项。
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
最大稳定过程的似然推断
- 研究问题
- 当空间极值的最大稳定过程缺乏可用多元密度时，如何构建可计算的似然推断，同时估计边际与依赖参数？
- 方法与思路
- 作者采用复合似然构建最大稳定过程的拟合方法，在空间背景下联合建模边际和依赖，并通过模拟及降水极值示范。
- 材料陈述的贡献
- 摘要称方法具备实践可用性、可靠性与灵活性，能以适中计算成本联合拟合参数，并展示美国降水极值应用。
- 阅读关注点
- 应核对复合似然的组成、边际和依赖参数的区分，以及不确定性估计、模型选择和计算成本比较的依据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；过程类别、推断条件和性能数值未详述，空间极值应用不构成金融风险证据。
原文摘要
The last decade has seen max-stable processes emerge as a common tool for the statistical modeling of spatial extremes. However, their application is complicated due to the unavailability of the multivariate density function, and so likelihood-based methods remain far from providing a complete and flexible framework for inference. In this article we develop inferentially practical, likelihood-based methods for fitting max-stable processes derived from a composite-likelihood approach. The procedure is sufficiently reliable and versatile to permit the simultaneous modeling of marginal and dependence parameters in the spatial context at a moderate computational cost. The utility of this methodology is examined via simulation, and illustrated by the analysis of United States precipitation extremes.