Parameter estimation for the generalized extreme value distribution: a method that combines bootstrapping and r largest order statistics
结合自助法与前 r 个最大次序统计量的广义极值分布参数估计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。
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：摘要研究通用极值分布参数估计并采用气象案例，未涉及所列金融尾部风险或其他细分方向的明确问题。
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
结合自助法与前 r 个最大次序统计量的广义极值分布参数估计
- 研究问题
- 估计广义极值分布参数时，如何结合每个区块的前 r 个最大次序统计量与随机重排，以提高相对于分别使用这些方法的准确性？
- 方法与思路
- 作者随机重排原始数据生成替代样本，对每个样本应用前 r 个最大次序统计量方法，再取参数估计的平均，并用模拟及气象序列检验。
- 材料陈述的贡献
- 摘要称，在所用合成数据和真实气象时间序列中，前 r 个最大次序统计量与重排自助法的组合，比单独采用任一方法估计更准确。
- 阅读关注点
- 应核对区块划分、r 的选择、重排对时间依赖的影响，以及准确性评价指标和比较方法；还需确认是否给出理论有效性结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未说明重排的适用条件及误差数值，气象案例也不足以支持金融风险结论。
原文摘要
A critical problem in extreme value theory (EVT) is the estimation of parameters for the limit probability distributions. Block maxima (BM), an approach in EVT that seeks estimates of parameters of the generalized extreme value distribution (GEV), can be generalized to take into account not just the maximum realization from a given dataset, but the r largest order statistics for a given r. In this work we propose a parameter estimation method that combines the r largest order statistic (r-LOS) extension of BM with permutation bootstrapping: surrogate realizations are obtained by randomly reordering the original data set, and then r-LOS is applied to these shuffled measurements - the mean estimate computed from these surrogate realizations is the desired estimate. We used synthetic observations and real meteorological time series to verify the performance of our method; we found that the combination of r-LOS and bootstrapping resulted in estimates more accurate than when either approach was implemented separately.