Detecting causal covariates for extreme dependence structures
极端依赖结构的因果协变量发现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：摘要明确研究通过跨环境比较发现解释尾部依赖的因果协变量，应用对象为污染数据。
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…
极端依赖结构的因果协变量发现
- 研究问题
- 两个变量的尾部依赖随协变量变化时，如何发现真正解释极端依赖结构的因果协变量，并为未观测新环境中的极端行为预测提供依据？
- 方法与思路
- 作者通过比较不同环境或扰动下的观测识别因果协变量，并应用于英国二氧化氮数据，分析不同站点极端浓度之间的依赖。
- 材料陈述的贡献
- 摘要所述贡献是提出针对尾部依赖结构的因果变量发现方法，并在空气污染应用中寻找解释不同地点共同极端事件的预测因素。
- 阅读关注点
- 应核对环境或扰动的定义、因果判别所依据的跨环境性质、尾部依赖估计的不确定性，以及向未观测环境迁移预测的条件。
- 阅读边界
- 依据的是 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未说明因果识别与跨环境预测条件，污染应用也不直接构成金融风险研究。
原文摘要
Determining the causes of extreme events is a fundamental question in many scientific fields. An important aspect when modelling multivariate extremes is the tail dependence. In application, the extreme dependence structure may significantly depend on covariates. As for the general case of modelling including covariates, only some of the covariates are causal. In this paper, we propose a methodology to discover the causal covariates explaining the tail dependence structure between two variables. The proposed methodology for discovering causal variables is based on comparing observations from different environments or perturbations. It is a desired methodology for predicting extremal behaviour in a new, unobserved environment. The methodology is applied to a dataset of $\text{NO}_2$ concentration in the UK. Extreme $\text{NO}_2$ levels can cause severe health problems, and understanding the behaviour of concurrent severe levels is an important question. We focus on revealing causal predictors for the dependence between extreme $\text{NO}_2$ observations at different sites.