Resampling techniques for a class of smooth, possibly data-adaptive empirical copulas
平滑且可数据自适应的经验 Copula 重抽样方法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：摘要明确研究时间序列重抽样及多元时间序列横截面依赖的变化检测。
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
平滑且可数据自适应的经验 Copula 重抽样方法
- 研究问题
- 采用平滑、可能随数据自适应的经验 Copula 时，哪些重抽样程序能够支持有效推断，并识别多元序列依赖结构的变化？
- 方法与思路
- 作者研究从平滑估计量抽样的独立数据方案，以及适用于时间序列的平滑序贯依赖乘子 Bootstrap，并用于区间与变化检测。
- 材料陈述的贡献
- 摘要称分析两种重抽样方案的有效性，模拟显示平滑推断可能有优势，并研究 Copula 一阶偏导估计的弱一致性与有限样本表现。
- 阅读关注点
- 应核对平滑与数据自适应的允许条件、时间依赖限制、乘子及带宽选择，以及置信区间和离线变化检测各自的理论保证。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；首种方案仅限独立观测，摘要未说明第二种方案的具体依赖条件及优势幅度。
原文摘要
We investigate the validity of two resampling techniques when carrying out inference on the underlying unknown copula using a recently proposed class of smooth, possibly data-adaptive nonparametric estimators that contains empirical Bernstein copulas (and thus the empirical beta copula). Following \cite{KirSegTsu21}, the first resampling technique is based on drawing samples from the smooth estimator and can only can be used in the case of independent observations. The second technique is a smooth extension of the so-called sequential dependent multiplier bootstrap and can thus be used in a time series setting and, possibly, for change-point analysis. The two studied resampling schemes are applied to confidence interval construction and the offline detection of changes in the cross-sectional dependence of multivariate time series, respectively. Monte Carlo experiments confirm the possible advantages of such smooth inference procedures over their non-smooth counterparts. A by-product of this work is the study of the weak consistency and finite-sample performance of two classes of smooth estimators of the first-order partial derivatives of a copula which can have applications in mean and quantile regression.