Rank-based inference for bivariate extreme-value copulas
双变量极值 Copula 的秩推断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：摘要仅研究一般极值依赖结构的统计推断，未说明金融尾部风险或系统性风险应用。
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
双变量极值 Copula 的秩推断
- 研究问题
- 当连续双变量的依赖结构由极值 Copula 描述而边际分布未知时，如何估计 Pickands 依赖函数并进行渐近推断？
- 方法与思路
- 作者为既有依赖函数估计量提出秩版本，利用加权双变量经验过程的极限结果分析其性质，并比较已知边际与端点修正版。
- 材料陈述的贡献
- 摘要称秩估计量具有一致性和渐近正态性，给出渐近方差的显式表达及一致估计，并比较有限样本和大样本表现。
- 阅读关注点
- 应核对极值 Copula 假设、端点修正的作用、经验过程结果所需条件，以及边际未知相对已知时的方差比较范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明具体正则条件或比较结果，也未提供金融应用，不能据此推断风险预测能力。
原文摘要
Consider a continuous random pair (X, Y) whose dependence is characterized by an extreme-value copula with Pickands dependence function A. When the marginal distributions of X and Y are known, several consistent estimators of A are available. Most of them are variants of the estimators due to Pickands [Bull. Inst. Internat. Statist. 49 (1981) 859–878] and Capéraà, Fougères and Genest [Biometrika 84 (1997) 567–577]. In this paper, rank-based versions of these estimators are proposed for the more common case where the margins of X and Y are unknown. Results on the limit behavior of a class of weighted bivariate empirical processes are used to show the consistency and asymptotic normality of these rank-based estimators. Their finite- and large-sample performance is then compared to that of their known-margin analogues, as well as with endpoint-corrected versions thereof. Explicit formulas and consistent estimates for their asymptotic variances are also given.