Regressions under Adverse Conditions
不利情景下的回归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：摘要明确将方法解释为边际预期损失回归，并用于系统性风险分析。
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
不利情景下的回归
- 研究问题
- 当困境变量处于分布尾部时，如何研究结果变量均值与协变量的关系，以刻画系统性风险或宏观增长的脆弱性？
- 方法与思路
- 作者构造以困境变量尾部事件为条件的均值回归，提出两步估计，并研究一致性、渐近正态性及可行推断。
- 材料陈述的贡献
- 摘要称方法可解释为边际预期损失回归，允许横截面和时间序列应用，并用模拟及系统性风险、增长脆弱性案例展示用途。
- 阅读关注点
- 应核对尾部条件事件与回归目标的定义、两步估计误差的传递、弱条件的具体内容，以及尾部阈值选择的影响。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本解读；摘要未说明尾部条件概率、识别与依赖要求，回归关系不能直接作因果解释或推断刊本变化。
原文摘要
We introduce a new regression method that relates the mean of an outcome variable to covariates, under the “adverse condition” that a distress variable falls in its tail. This allows to tailor classical mean regressions to adverse scenarios, which receive increasing interest in economics and finance, among many others. In the terminology of the systemic risk literature, our method can be interpreted as a regression for the Marginal Expected Shortfall. We propose a two-step procedure to estimate the new models, show consistency and asymptotic normality of the estimator, and propose feasible inference under weak conditions that allow for cross-sectional and time series applications. Simulations verify the accuracy of the asymptotic approximations of the two-step estimator. Two empirical applications show that our regressions under adverse conditions are a valuable tool in such diverse fields as the study of the relation between systemic risk and asset price bubbles, and dissecting macroeconomic growth vulnerabilities into individual components.