Robust Interpolated Quantile Estimators: Asymptotic Theory and Efficiency
稳健插值分位数估计量：渐近理论与效率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：摘要核心是分位数估计量的渐近理论与效率，并应用于重尾、非对称下的尾部估计，分别对应分位数与分布效应、尾部与系统性风险两个方向。
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…
稳健插值分位数估计量：渐近理论与效率
- 研究问题
- 摘要称，本文研究如何通过在校验损失中加入二次、Huber 或 Tukey bisquare 正则化，构造一族插值分位数估计量，并刻画其渐近性质与效率如何随分布变化。
- 方法与思路
- 作者提出以分位水平 τ 与插值参数 h 索引的估计量族：h=0 时退化为经典经验分位数，h 增大使有效概率水平向分布中心移动；通过 M 估计建立三种插值估计量的渐近正态性，并对渐近方差做分解，另以数值实验和线性分位数回归的蒙特卡洛实验评估。
- 材料陈述的贡献
- 摘要称，二次插值下有效分位水平可由插值方程给出闭式参数化；三种插值估计量均具渐近正态性，方差分解说明效率依赖底层分布；数值实验报告二次插值在合适强度下可降低渐近方差，轻尾分布最高约 36%，重尾或非对称分布最高约 57%；框架扩展至线性分位数回归，并用于日对数收益率的尾部估计。
- 阅读关注点
- 应核对插值方程与闭式参数化的具体形式、M 估计渐近正态性所需的正则条件、方差分解各项含义，以及数值实验中“最高 36%/57%”对应的分布设定、样本量与插值强度；回归部分还需确认 Huber 插值仅在众数附近有利这一结论的模拟设计。
- 阅读边界
- 仅凭摘要无法判断定理条件是否完备、模拟是否可复现、与既有分位数估计量的比较是否公平，也无法验证所报方差降幅；摘要未说明真实数据应用的具体样本、区间与推断细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
This paper introduces a unified family of interpolated quantile estimators obtained by augmenting the check loss with quadratic, Huber, or Tukey's bisquare regularization. The estimators are indexed by the quantile level $τ$ and an interpolation parameter $h$. They reduce to the classical empirical quantile when $h=0$, while increasing $h$ continuously shifts the effective probability level toward the center of the distribution. A complete asymptotic theory is developed. For the quadratic interpolation, the effective quantile level is characterized by an interpolation equation yielding a closed-form parametrization of neighboring quantiles. Asymptotic normality is established for all three interpolated estimators via M-estimation, and a decomposition of the asymptotic variance explains how efficiency depends on the underlying distribution. Numerical experiments show that the quadratic interpolated estimator can reduce asymptotic variance by up to 36\% for light-tailed distributions and up to 57\% for heavy-tailed or asymmetric distributions for suitable interpolation strength. The framework is extended to linear quantile regression, where Monte Carlo experiments show that Huber interpolation is beneficial only in a narrow neighborhood of the median, while ordinary quantile regression remains preferable elsewhere. An application to daily log-returns illustrates the practical relevance of the proposed methodology for tail estimation under heavy tails and asymmetry.