Extreme Quantile Estimation for Autoregressive Models
自回归模型的极端分位数估计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。
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：摘要明确研究自回归模型中的极端条件分位数和时间序列估计，其主要方法对象支持时间序列分类，应用为汽油价格。
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
自回归模型的极端分位数估计
- 研究问题
- 在分位数自回归模型中，如何缓解尾部样本稀少造成的极端条件分位数估计不稳定，并刻画时间序列极端分位数的估计性质？
- 方法与思路
- 作者在分位数自回归设定下利用极值理论构造估计量，连接自回归系数与条件分位数函数的二阶条件，以分析极端尾部估计。
- 材料陈述的贡献
- 摘要称建立上述二阶条件之间的联系并给出估计量的渐近性质，随后通过模拟和美国零售汽油价格分析展示有限样本表现。
- 阅读关注点
- 阅读时应核对尾部与时间依赖条件、二阶条件的具体含义，以及极端分位数和尾部样本的选择方式、模拟比较的设定。
- 阅读边界
- 摘要未说明渐近性质的具体形式、尾部条件与模拟数值；不能据此判断估计改善幅度，或推断方法对其他时间序列普遍有效。
原文摘要
A quantile autoregresive model is a useful extension of classical autoregresive models as it can capture the influences of conditioning variables on the location, scale, and shape of the response distribution. However, at the extreme tails, standard quantile autoregression estimator is often unstable due to data sparsity. In this article, assuming quantile autoregresive models, we develop a new estimator for extreme conditional quantiles of time series data based on extreme value theory. We build the connection between the second-order conditions for the autoregression coefficients and for the conditional quantile functions, and establish the asymptotic properties of the proposed estimator. The finite sample performance of the proposed method is illustrated through a simulation study and the analysis of U.S. retail gasoline price.