TAIL AND NONTAIL MEMORY WITH APPLICATIONS TO EXTREME VALUE AND ROBUST STATISTICS
尾部与非尾部记忆：极值及稳健统计的应用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：摘要直接涉及重尾时间序列、尾指数与尾部依赖，并应用于 GARCH 条件波动过程。
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
尾部与非尾部记忆：极值及稳健统计的应用
- 研究问题
- 如何分别描述极端与非极端观测的依赖和记忆，使重尾过程中的尾指数、尾部依赖和稳健统计量能够获得高斯极限？
- 方法与思路
- 作者提出尾部与非尾部依赖概念，研究尾部事件及截尾水平的近历元依赖与 L⁰ 可近似性，并应用于重尾 GARCH 和分布滞后过程。
- 材料陈述的贡献
- 摘要称，相关依赖概念在指定对象上等价，可支持极值和稳健统计的中心极限定理，并为新的尾部截尾最小二乘估计建立高斯渐近理论。
- 阅读关注点
- 应核对尾部阈值与截尾比例、依赖条件及允许的重尾程度，区分各类统计量的归一化，并检查新估计量的目标参数和效率代价。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体矩条件、阈值速率和截尾偏差；高斯极限不等于任意重尾样本均可常规推断，刊本变化未说明。
原文摘要
New notions of tail and nontail dependence are used to characterize separately extremal and nonextremal information, including tail log-exceedances and events, and tail-trimmed levels. We prove that near epoch dependence (McLeish, 1975; Gallant and White, 1988) and L 0 -approximability (Pötscher and Prucha, 1991) are equivalent for tail events and tail-trimmed levels, ensuring a Gaussian central limit theory for important extreme value and robust statistics under general conditions. We apply the theory to characterize the extremal and nonextremal memory properties of possibly very heavy-tailed GARCH processes and distributed lags. This in turn is used to verify Gaussian limits for tail index, tail dependence, and tail-trimmed sums of these data, allowing for Gaussian asymptotics for a new tail-trimmed least squares estimator for heavy-tailed processes.