Bootstrapping Estimators based on the Block Maxima Method
基于区块最大值方法的估计量自助法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：摘要明确处理可能多元且存在依赖的时间序列极值及区块重抽样，方法对应时间序列方向，但未提供金融风险应用依据。
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
基于区块最大值方法的估计量自助法
- 研究问题
- 研究时间序列极值分析中，如何为滑动区块最大值估计量构造可靠的自助近似，并解决其渐近方差难以直接估计的问题。
- 方法与思路
- 作者分析传统区块自助法的失效情形，提出重抽样循环区块最大值的替代方案，并以蒙特卡洛实验和降水极值案例说明方法。
- 材料陈述的贡献
- 摘要称新方案具有一致性，循环与滑动区块估计量具有相同渐近方差，并建立不相交区块最大值的经典重抽样自助法一致性。
- 阅读关注点
- 应核对原始序列依赖条件、区块长度选择、循环构造方式和估计量适用范围，并区分文中不同重抽样方案各自的一致性结论。
- 阅读边界
- 这是arXiv预印本，同行评审、期刊接收及刊本变化未核验；摘要未说明区块增长条件或误差界，降水应用不能直接外推至金融风险。
原文摘要
The block maxima method is a standard approach for analyzing the extremal behavior of a potentially multivariate time series. It has recently been found that the classical approach based on disjoint block maxima may be universally improved by considering sliding block maxima instead. However, the asymptotic variance formula for estimators based on sliding block maxima involves an integral over the covariance of a certain family of multivariate extreme value distributions, which makes its estimation, and inference in general, an intricate problem. As an alternative, one may rely on bootstrap approximations: we show that naive block-bootstrap approaches from time series analysis are inconsistent even in i.i.d.\ situations, and provide a consistent alternative based on resampling circular block maxima. As a by-product, we show consistency of the classical resampling bootstrap for disjoint block maxima, and that estimators based on circular block maxima have the same asymptotic variance as their sliding block maxima counterparts. The finite sample properties are illustrated by Monte Carlo experiments, and the methods are demonstrated by a case study of precipitation extremes.