Rank-based estimation under asymptotic dependence and independence, with applications to spatial extremes
渐近依赖与独立下的秩估计及空间极值应用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：摘要研究一般联合尾部与空间极值，没有明确金融尾部风险或系统性风险背景。
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…
渐近依赖与独立下的秩估计及空间极值应用
- 研究问题
- 研究多变量联合尾部时，如何在事先不知道渐近依赖还是渐近独立的情况下，构造兼容两种状态的参数估计方法？
- 方法与思路
- 作者重新考察非参数估计，提出基于秩的 M 估计量，并利用二元估计量构建空间尾部模型的参数估计。
- 材料陈述的贡献
- 摘要称方法无需预先判断尾部依赖状态，在所述弱正则条件下渐近正态，并为扩展到空间尾部模型提供理论论证。
- 阅读关注点
- 核对两种尾部状态下的模型设定、阈值与秩的使用方式、渐近正态条件，以及空间估计如何整合二元信息。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；摘要未展开正则条件与有限样本表现，也不能据此保证所有状态间的统一推断。
原文摘要
Multivariate extreme value theory is concerned with modeling the joint tail behavior of several random variables. Existing work mostly focuses on asymptotic dependence, where the probability of observing a large value in one of the variables is of the same order as observing a large value in all variables simultaneously. However, there is growing evidence that asymptotic independence is equally important in real world applications. Available statistical methodology in the latter setting is scarce and not well understood theoretically. We revisit nonparametric estimation and introduce rank-based M-estimators for parametric models that simultaneously work under asymptotic dependence and asymptotic independence, without requiring prior knowledge on which of the two regimes applies. Asymptotic normality of the proposed estimators is established under weak regularity conditions. We further show how bivariate estimators can be leveraged to obtain parametric estimators in spatial tail models, and again provide a thorough theoretical justification for our approach.