SUBSAMPLING INFERENCE FOR NONPARAMETRIC EXTREMAL CONDITIONAL QUANTILES
非参数极端条件分位数的子抽样推断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：摘要直接围绕非参数极端条件分位数的估计与推断展开，但未提供将其归为金融尾部风险的依据。
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
非参数极端条件分位数的子抽样推断
- 研究问题
- 估计极端条件分位数时，局部估计量的极限分布含有难估的干扰参数，如何绕开这些参数进行可实施推断？
- 方法与思路
- 作者对局部条件分位数估计量进行自标准化，并构建子抽样推断；局部线性分位数回归是摘要列举的适用估计方法。
- 材料陈述的贡献
- 摘要称该方法避免直接估计极限分布中的干扰参数，并以模拟和实证例子展示研究极端现象时的用途。
- 阅读关注点
- 应核对极端分位水平随样本变化的方式、自标准化定义、带宽与子样本大小选择，以及尾部条件对推断的限制。
- 阅读边界
- 仅据所给 Crossref 版本摘要，无法判断适用尾部范围或有限样本覆盖率；实证对象、具体条件及刊本变化均未说明。
原文摘要
This paper proposes a subsampling inference method for extreme conditional quantiles based on a self-normalized version of a local estimator for conditional quantiles, such as the local linear quantile regression estimator. The proposed method circumvents difficulty of estimating nuisance parameters in the limiting distribution of the local estimator. A simulation study and empirical example illustrate usefulness of our subsampling inference to investigate extremal phenomena.