Data-adaptive trimming of the Hill estimator and detection of outliers in the extremes of heavy-tailed data
我们介绍了一个修剪版本的重尾分布的指数,这是强大的扰动在极端顺序统计量的希尔估计。在理想的Pareto环境下,对于给定的严格上崩溃点,该估计在所有无偏估计量中本质上是有限样本有效的。对于一般的重尾模型,我们在二阶正则变差条件下建立了估计量的渐近正态性,并证明了它在Hall分布类中是极小极大率最优的.我们还开发了一种自动的,数据驱动的方法来选择的修剪参数,产生一种新型的鲁棒估计,可以适应未知的污染水平的极端。这种自适应鲁棒性使我们的估计特别有吸引力,优于其他强大的估计在设置中的极端数据被污染。作为数据驱动的修剪参数选择的一个重要应用,我们得到了一个方法的原则性识别极端离群重尾数据。事实上,该方法已被证明可以正确识别先前探索的Condroz数据集中的离群值数量。
2018-08-23 stat.ME
A double-indexed functional Hill process and applications
令$X_{1,n} \leq .... \leq X_{n,n}$为与样本$X_{1}, ...., X_{n}$相关的顺序统计量,该样本的相关分布函数(% \textit{df})为$F$。我们关心的功能渐近行为的随机过程序列\begin{equation} T_{n}(f,s)=\sum_{j=1}^{j=k}f(j)\left(\log X_{n-j+1,n}-\log X_{n-j,n}\right)^{s}, \label{fme} \end{equation}的一些类$\mathcal{F}$的功能$f:\mathbb{N}% ^{\ast}\longmapsto \mathbb{R}_{+}$和$s \in ]0,+\infty[$和$k=k(n)$满足\begin{equation*} 1\leq k\leq n,k/n\rightarrow 0\text{as}n\rightarrow \infty . \end{equation*} \noindent我们表明,这是一个随机过程的利润率产生的极值指标的估计时,$F$是在极端域的吸引力。本文着重研究了它的有限维渐近律,并给出了一类新的极值指数估计,其性能与类似的估计进行了比较。结果接下来针对一个显式类$\mathcal{F}$进行详细说明。
2016-04-16 stat.ME
Scoring Rules with Normalized Upper Order Statistics for Tail Inference
University of Copenhagen(哥本哈根大学)
提出一种基于评分规则的方法,利用归一化上序统计量区分Fréchet域中不同尾指数,理论证明一致性和渐近正态性,Hill估计器为其特例,模拟和实证验证有效。
2026-06-24 stat.ME
Demmartingales and the functionnal Hill process for small parameters
随机变量结合和半鞅是近年来研究相依随机变量和的渐近性态的领域。我们应用他们的技术,以建立一个demartingale的渐近律。我们接下来应用的结果,找到渐近行为的功能希尔过程的小参数极值理论(EVT)领域内。如果没有半鞅技术,这样的结果是很难找到的。
2016-11-23 stat.OT
Extreme Value Analysis Without the Largest Values: What Can Be Done?
本文研究了重尾数据在部分极值不可得情况下的分析问题。这项研究的动机是分析一个大型社会网络中的度分布。这种网络的度分布在尾部往往具有幂律行为。我们专注于希尔估计,它在重尾建模中起着重要作用。该数据的Hill估计量表现出一个平滑且递增的“样本路径”,该路径是构建估计量时所用的高阶顺序统计量数量的函数。当我们人为地移除更多的高阶顺序统计量时,这种行为变得更加明显。在此基础上,我们介绍了一个新版本的希尔估计。它是估计中使用的上顺序统计量的数量的函数,但也取决于不可用的极值的数量。我们建立函数收敛的归一化希尔估计高斯过程。基于极限理论给出了一种估计方法,用于估计Hill估计的缺失极值个数和极值参数,包括尾指数和偏差。我们说明了这种方法是如何在模拟和真实数据的例子。
2018-12-18 math.ST stat.TH
Extremes, extremal index estimation, records, moment problem for the Pseudo-Lindley distribution and applications
Zeghdoudi和Nedjar(2016)引入的伪林德利分布研究了其上尾。在这方面,当底层分布函数遵循伪林德利定律时,我们研究其值的行为、Hill估计量和双指标广义Hill统计过程(Ngom和Lo)的渐近正态性、记录值的渐近正态性和矩问题。
2019-12-14 math.ST stat.ME stat.TH
Logarithm of ratios of two order statistics and regularly varying tails
这里我们假设所观测的随机变量具有带规则变化尾部的累积分布函数$F$,即$1-F \in RV_{-α}$,$α> 0$。利用指数顺序统计量的结果,研究了参数为$α$的Pareto分布随机变量的独立观测样本的两个顺序统计量的比的估计.得到了其均值和方差的简短的显式公式。然后,我们把这个功能,以这样一种方式,以获得无偏的,渐近有效的,渐近正态估计$α$。最后,我们模拟帕累托样本,并表明,在考虑的情况下,建议的估计优于众所周知的希尔,t-希尔,Pickands和Deckers-Einmahl-de Haan估计。
2019-04-16 math.ST stat.TH
Large and Moderate Deviations for Conservative Tail-Index Estimation
University of Twente(特温特大学);CWI(荷兰数学与计算机科学中心);TU Eindhoven(埃因霍温理工大学)
针对罕见事件概率估计中尾指数高估问题,推导Hill估计器的大偏差和中偏差渐近,构造偏差与衰减速率最优平衡的估计器,并分析偏差校正及边界条件。
2026-09-28 math.PR math.ST stat.TH
Generalized Rényi statistics
本研究提出广义Rényi统计量,证明其变量随机重排后极限为独立同分布指数序列,据此构建重尾数据新模型,并验证该模型下Hill估计量无需额外假设即具有弱相合性与渐近正态性。
2025-02-21 math.PR math.ST stat.TH
Tail index estimation, concentration and adaptivity
本文提出了一种基于Lespki模型选择方法的自适应Hill估计。这个简单的数据驱动的索引选择方法,以满足预言不等式,并检查,以实现最近由Carpentier和Kim推导出的下界。为了建立预言不等式,我们得到了Hill估计的非渐近方差界和浓度不等式。这些浓度不等式来自Talagrand的浓度不等式的光滑函数的独立指数分布的随机变量结合极值理论的三个工具:分位数变换,Karamata的表示缓慢变化的功能,和Rényi的表征的顺序统计量的指数样本。这种计算和概念上简单的方法的性能说明使用蒙特卡罗模拟。
2015-12-15 math.ST stat.TH
A functional Generalized Hill process and applications
本文研究随机过程序列T_{n}(f)= \sum_{j=1}^{j=k} f(j)(\log X_{n-j+1,n} - \log X_{n-j,n})的函数渐近性态,它由函数$f:\mathbb{N} \backslash {0} \longmapsto \mathbb{R}_{+}$的某些类$\mathcal{F}$表示,其中$k=k(n)$满足1 \leq k \leq n,k/n \rightarrow 0 \text{as} n \rightarrow \infty .这是一个泛函广义Hill过程,当$F$在极值区域时,它包含尽可能多的极值指标的新估计。在有界实函数空间弱收敛的新背景下,本文重点研究了它的泛函和一致渐近律。接下来将详细说明类$\mathcal{F} $的显式示例的结果。
2011-11-16 stat.ME
A very short guide to IOI: A general framework for statistical inference summarised
综合有机推理(IOI)是讨论在一个简洁和非正式的方式,目的是给读者的要点是什么,这种方法,以统计推断是关于以及给予指针,以进一步阅读。
2021-04-23 stat.ME stat.OT
On the Impact of Approximation Errors on Extreme Quantile Estimation with Applications to Functional Data Analysis
本文研究了近似误差对重尾随机对象极值行为评估的影响,给出了保证 Hill 估计量渐近性的条件,推导了新的次序统计量集中不等式,并应用于泛函数据 $L^p$-范数的离散化误差分析。
2024-10-17 math.PR math.ST stat.TH
Limit laws for the norms of extremal samples
令表示为$S_n(p) = k_n^{-1} \sum_{i=1}^{k_n} \left( \log (X_{n+1-i,n} / X_{n-k_n, n}) \right)^p$,其中$p > 0$,$k_n \leq n$是整数序列,使得$k_n \to \infty$和$k_n / n \to 0$,并且$X_{1,n} \leq \ldots \leq X_{n,n}$是具有规则变化的上尾的iid随机变量的顺序统计量。估计量$\widehat γ(n) = (S_n(p)/Γ(p+1))^{1/p}$是Hill估计量的扩展。我们研究了固定$p > 0$和$p = p_n \to \infty$的$S_n(p)$和$\widehat γ(n)$的渐近性质。在适当的假设下证明了强相合性和渐近正态性。应用到实际数据中,我们发现,对于较大的$p$的估计是不太敏感的$k_n$比希尔估计的变化。
2020-04-27 math.PR math.ST stat.TH
Semiparametric Efficient Fusion of Individual Data and Summary Statistics
Peking University(北京大学);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Renmin University of China(中国人民大学)
本文提出了一种半参数高效融合个体数据与汇总统计量的方法,通过建立效率下限并设计自适应估计量,实现对外部汇总统计量的有效利用。
2026-02-05 math.ST stat.ME stat.TH
Censored and extreme losses: functional convergence and applications to tail goodness-of-fit
本文证明截断损失极端估计量的函数收敛,据此提出两种基于检验统计量的阶统计量选择规则,并通过模拟和法国车险数据验证其有效性。
2024-08-20 math.ST stat.ME stat.TH
Gaussian approximation to the extreme value index estimator of a heavy-tailed distribution under random censoring
我们利用经验过程理论来近似的适应希尔估计,删失数据,在高斯过程。然后,我们得到了它的渐近正态性,只有在通常的二阶正则变化的条件下。我们的方法允许放松的假设,在Einmahl,Fils-Villetard和Guillou(2008),重尾分布函数和样本分数的上顺序统计量。
2015-07-06 math.ST stat.TH
The Multiple Roots Phenomenon in Maximum Likelihood Estimation for Factor Analysis
统计推断中的重根估计问题在文献中的许多上下文中出现。在极大似然估计中,由于存在重根,使得使用爬山算法计算最大似然估计量时存在不确定性,从而导致统计推断的困难。本文研究了因子分析的极大似然估计中的重根现象。证明了相应的似然方程即使在最简单的情况下也有不可数的多个可行解。对于观测数据为二维而未观测因子得分为一维的情形,证明了似然方程的解构成一维实曲线.
2017-02-15 math.ST stat.TH
Information Geometry for Maximum Diversity Distributions
本文综述生物多样性测度,强调信息几何框架下Rao二次熵的意义,探讨线性约束下最大化该测度的分布,介绍Leinster-Cobbold指数统一方法,还讨论相关信息几何及交叉多样性测度。
2024-12-05 q-bio.PE stat.AP
Posterior inference via Hill's prediction model
University of Milano-Bicocca(米兰比可卡大学);University of Oxford(牛津大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出基于一步 ahead 预测分布函数的无先验后验分布,利用Hill的A_n预测模型进行符合预测,为任意统计量提供后验推断。
2026-03-20 math.ST stat.ME stat.TH
A comparison of functional summary statistics to detect anisotropy of three-dimensional point patterns
三维点过程数据的日益增长的可用性要求开发合适的分析技术。在本文中,我们专注于两个最近开发的汇总统计,圆锥形和圆柱形$K$函数,这可能是用来检测三维点模式的各向异性。我们给出了一些建议,选择他们的论点,并调查他们的能力,以检测两种特殊类型的各向异性。最后,这两个功能进行了比较,从神经科学和冰川学的一些实际数据集。
2016-04-14 stat.ME