A sum characterization of hidden regular variation with likelihood inference via expectation-maximization
隐含正则变差的求和刻画与基于 EM 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：摘要虽研究尾部依赖，但应用为空气污染，未提供金融尾部或系统性风险的直接依据。
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
隐含正则变差的求和刻画与基于 EM 的似然推断
- 研究问题
- 当经典多元极值理论无法区分渐近独立与完全独立时，如何刻画联合尾部仍然存在的依赖，并进行参数估计？
- 方法与思路
- 作者在锥上的正则变差框架中，将具有隐含正则变差的随机向量表示为独立正则变差成分之和，并构造尾部专用蒙特卡洛 EM。
- 材料陈述的贡献
- 摘要称，论文通过多元尾部等价结果建立求和表示的渐近有效性，并据此发展似然估计，提供模拟及空气污染应用。
- 阅读关注点
- 应核对锥与联合尾部区域的定义、求和表示的渐近含义，以及阈值选择、潜在成分设定和蒙特卡洛 EM 的计算误差。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；不能将渐近尾部等价解释为有限样本精确分解，摘要未给出估计误差或阈值规则。
原文摘要
A fundamental deficiency of classical multivariate extreme value theory is the inability to distinguish between asymptotic independence and exact independence. In this work, we examine multivariate threshold modelling in the framework of regular variation on cones. Tail dependence is described by a limiting measure, which in some cases is degenerate on joint tail regions despite strong subasymptotic dependence in such regions. Hidden regular variation, a higher-order tail decay on these regions, offers a refinement of the classical theory. We develop a representation of random vectors possessing hidden regular variation as the sum of independent regular varying components. The representation is shown to be asymptotically valid via a multivariate tail equivalence result. We develop a likelihood-based estimation procedure from this representation via a Monte Carlo expectation-maximization algorithm which has been modified for tail estimation. The method is demonstrated on simulated data and applied to air pollution measurements.