Parametric Likelihood Inference for Record Breaking Problems
破纪录数据问题的参数似然推断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：摘要针对一般纪录与阈值数据推断，所列应用不构成金融尾部风险或宏观结构变化研究的直接依据。
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
破纪录数据问题的参数似然推断
- 研究问题
- 当仅记录刷新极值或越过阈值的观测时，如何处理隐含缺失数据带来的高维积分，并允许观测依赖与均值变化？
- 方法与思路
- 作者迭代使用蒙特卡洛积分近似似然，必要时以 Gibbs 抽样处理多元积分，并用奥运跳高纪录说明估计与预测。
- 材料陈述的贡献
- 摘要称该方法可处理比既有纪录与阈值模型更复杂的参数模型，包括依赖观测和时变均值，并讨论模型选择与预测。
- 阅读关注点
- 应核对记录机制如何进入似然、蒙特卡洛近似精度与收敛要求，以及依赖结构、均值变化和预测如何具体建模。
- 阅读边界
- 所给材料为稿件版本未注明的 OpenAlex 索引摘要；未说明计算代价、收敛条件或数值效果，不能推断实际精度。
原文摘要
In this paper we consider the analysis of record breaking data sets, where only observations that exceed, or only those that fall below, the current extreme value are recorded. Example application areas include industrial stress testing, meteorological analysis, sporting and athletic events, and oil and mining surveys. A closely related area is that of threshold modelling, where the observations are those that cross a certain threshold value. The inherent missing data structure present in these problems leads to likelihood functions that contain possibly high-dimensional integrals, rendering traditional maximum likelihood methods difficult or not feasible. Fortunately, we may obtain arbitrarily accurate approximations to the likelihood function by iteratively applying Monte Carlo integration methods (Geyer & Thompson, 1992). Subiteration using the Gibbs sampler may help to evaluate any multivariate integrals encountered during this process. This approach can handle far more sophisticated parametric models than have been used previously in record breaking and threshold data contexts. In particular, the methodology allows for observations that are dependent and subject to mean shifts over time. We present a numerical example involving records in Olympic high jump competition, where besides estimation we also address related issues in model selection and prediction.