A Proxy-likelihood Estimator for Multivariate Extremes Models with Intractable Likelihoods
难处理似然的多变量极值模型代理似然估计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。
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：摘要明确将方法完整用于变换线性极值时间序列模型，支持时间序列分类；野火天气的尾部风险并非金融尾部或系统性风险。
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
难处理似然的多变量极值模型代理似然估计
- 研究问题
- 多变量极值模型的似然难以计算时，如何借助尾部成对依赖建立可计算的拟合准则，并改善弱尾部依赖下的估计和模型选择？
- 方法与思路
- 作者以尾部成对依赖连接目标模型和二元 Hüsler-Reiss 代理模型，利用参数与依赖量的一一对应构造代理似然，并用于变换线性极值序列。
- 材料陈述的贡献
- 摘要称代理似然在模拟中具有竞争力，改善目标时间序列模型拟合并便于模型选择，弱依赖时偏差较小；野火天气应用呈现尾部依赖增加。
- 阅读关注点
- 应核对尾部成对依赖如何映射到代理参数、准则对目标模型的识别能力，以及阈值、弱依赖偏差和模型选择技术的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出完整估计理论、比较数值或气候差异的不确定性，不能将代理似然直接视为真实似然。
原文摘要
Many multivariate extremes models have intractable likelihoods requiring practitioners to use alternative fitting methods. The tail pairwise dependence is a summary measure of the dependence in the tail of any multivariate regular variation model. We develop an objective function for model fitting that relies on the tail pairwise dependence as the link between our desired model (that does not have a likelihood) and a proxy model (that has a likelihood). We employ the bivariate Hüsler-Reiss distribution as the proxy model and show that there is a one-to-one relationship between the dependence parameter and the tail pairwise dependence value. Our proxy-likelihood estimator is fully developed for the transformed linear extremes time series (TLETS) models of Mhatre and Cooley (2024) and is applied to the wildfire weather data of Wixson and Cooley (2023). Simulations demonstrate that the proxy-likelihood is a competitive TPD estimator, is better at fitting TLETS models than existing methods, and is amenable to likelihood-based model selection techniques. Our estimator has smaller bias when tail dependence is weak than existing estimators reducing the need for bias adjustments. Without these adjustments, we note an increase in the tail dependence in weather-related wildfire risk between past and present climates.