When does the mean excess plot look linear?
在风险分析中,平均超额图是一种常用的探索性绘图技术,用于确认iid数据与基础分布的广义帕累托假设一致,因为在存在此类分布的情况下,阈值数据具有大致线性的平均超额图。是否有任何其他类型的分布共享该图的线性?在一些额外的假设下,我们能够得出结论,只有广义Pareto族具有此性质。
2010-11-30 math.PR math.ST stat.TH
Flexible Extreme Value Inference And Hill Plots For A Small, Mid And Large Samples
极值尾估计量的渐近正态性在文献中引起了广泛的关注,由此产生了越来越复杂的二阶正则条件。然而,这样的条件真的很难被检查的真实数据。特别是使用小样本来检查这样的条件是困难的或不可能的。除此之外,这些条件中的大多数遭受潜在奇异积分表示的缺点。然而,我们可以用正态分布得到不同阶的近似,例如Berry-Essen型和Edgeworth型。本文指出,对于广义Hill估计的Berry-Essen型正态逼近及其相关的渐近正态性,不需要二阶正则条件,对于正则变化的尾,我们可以只应用Karamata表示.然而,二阶正则条件更好地涉及Edgeworth类型的正态近似,尽管需要更大的数据样本来进行适当的检查。最后,这两种扩展都倾向于自举和其他子采样技术。所有现有的研究结果表明,适当的尾巴行为的代表性发挥了特殊的,有点耐人寻味的作用,在这种情况下。我们通过在一般规则变分背景下提供积分奇异现象的完整表征和表示来消除这种普遍的观点,强调其与不具有二阶条件的广义Hill估计量的渐进正态性的关系。因此,这种新方法的应用是简单的,更灵活,最佳的真实数据集。希尔图的替代和强大的版本也介绍和说明从斯洛伐克的极端降雪的生态数据。
2015-09-22 stat.ME
Empirical Likelihood based Confidence Regions for first order parameters of a heavy tailed distribution
设$X_1, \ldots, X_n$为某个i.i.d.从重尾分布$F$的观测,即,使得超过高阈值$u_n$的超额的共同分布可以由具有$γ>0$的广义帕累托分布$G_{γ,σ_n}$来近似。这项工作致力于寻找$(γ,σ_n)$对的置信区域的问题:经验似然法与估计方程相结合(接近但不等同于张军介绍的似然方程)(澳大利亚和新西兰统计杂志第49(1)期,2007年),得到了$(γ,σ_n)$的渐近有效的置信区域,并证明其性能优于Wald型置信区域(特别是那些从最大似然估计的渐近正态性导出的)。通过剖析出尺度参数,还推导出尾部指数的置信区间。
2010-08-19 math.ST stat.TH
On tail inference in iid settings with nonnegative extreme value index
本文在非负极值指数独立同分布假设下,从理论和数值上比较基于极值理论与非参数平滑的尾部概率及平均超出函数估计量,并给出有限样本均方误差比较。
2024-09-02 math.ST stat.TH
Asymptotic normality of the likelihood moment estimators for a stationary linear process with heavy-tailed innovations
各种估计的参数的广义帕累托分布,超过一个高阈值的近似分布,已被提出,总是假设的基础数据是独立的。我们最近证明了似然矩估计量是广义Pareto分布的参数的相合估计量的情况下,基础数据来自于一个(平稳)的线性过程与重尾的创新。在本文中,我们在一些附加的假设下得到了二元渐近正态性,并给出了一个明确的例子,说明如何使用渐近展开检查这些条件。
2016-05-25 math.ST stat.AP stat.TH
Non-parametric cure models through extreme-value tail estimation
本文提出一种基于极值理论和概率绘图的非参数方法,利用最高阶统计量联合估计治愈率与极值指数,在充分或不充分随访下重建免疫比例,其表现优于现有模型并应用于挪威出生数据。
2025-03-31 math.ST stat.TH
Extreme value statistics for truncated Pareto-type distributions
最近注意力已提请实际问题与使用无界帕累托分布,例如,当有自然的上界截断概率尾部。Aban,Meerschaert and Panorska(2006)推导了具有右截断点$T$的截断Pareto分布的Pareto尾指数的最大似然估计。Hill(1975)估计量则通过让$T \to \infty$。Nuyts(2010)也介绍了右截断下的极值估计问题,他提出了尾部指数的类似估计量,并考虑了对极值顺序统计量的数量进行修剪。鉴于在实践中,人们并不总是知道分布是否被截断或不,我们讨论了截断和非截断Pareto型分布下的Pareto指数和极端分位数的估计。我们还提出了一个截断的帕累托QQ图,以帮助决定截断和非截断的情况。这样我们扩展了经典的极值方法,增加了截断Pareto型模型,截断点$T \to \infty$作为样本量$n \to \infty$。最后,我们给出了一些实际的例子,渐近性和仿真结果。
2014-12-23 math.ST stat.TH
Explainable Linear and Generalized Linear Models by the Predictions Plot
本文提出预测图方法,用于直观解释线性与广义线性模型中各预测项的影响及异常预测成因,并辅以相关性与协方差的可视化展示。
2025-07-22 stat.AP stat.ME
QQ plots, Random sets and data from a heavy tailed distribution
QQ图是一种常用的技术,用于非正式地确定大小为n的单变量随机样本是否来自指定的分布F。QQ图将样本分位数与F的理论分位数绘制成图,然后进行目视检查以查看这些点是否接近直线。对于分布的位置和尺度族,直线的截距和斜率分别提供分布的偏移和尺度参数的估计值。这里我们把构成QQ图的点集S_n看作是R^2中的随机闭集。我们证明了在分布F上的某些正则性条件下,S_n依概率收敛到一个闭的非随机集.在重尾情况下,1-F是一个规则变化的函数,可以显示类似的结果,但修改是必要的,以提供一个统计上合理的结果,因为通常F是不完全已知的。
2007-02-19 math.PR math.ST stat.TH
Testing Most Influential Sets
Vienna University of Economics and Business(维也纳经济与商业大学);Monash University(墨尔本大学)
针对小部分数据点可能过度影响模型结论的问题,基于线性最小二乘法推导精确影响公式并识别最大影响的极值分布,提出一个用于检验过度影响的假设检验框架。
2026-06-02 cs.LG econ.EM math.ST
Anchored Geodesic Analysis for Multivariate Extremes
Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹)
研究多元极值的相依性,提出锚定测地线成分分析(AGCA)降维方法,通过大子球面近似角度变化,在有界损失下归结为特征分析,在股票投资组合损失中应用效果良好,能找到集中尾部方向并近似相关指标。
2026-07-16 math.ST q-fin.RM stat.ME
Exact minimax risk for linear least squares, and the lower tail of sample covariance matrices
我们考虑随机设计线性预测及随机矩阵下尾的相关问题。已知在有界性约束下,极小极大风险在$n$样本的维度$d$上是$d/n$阶的。在这里,我们研究了全线性类上的极大极小期望超额风险,这取决于协变量的分布。首先,对于协变量的每个分布,最小二乘估计量在良好指定的情况下都是极小极大最优的。我们用单个样本的统计杠杆得分的分布来表示极大极小风险,并推导出对于任何协变量分布的$d/(n-d+1)$的极大下界,几乎与高斯设计的风险相匹配。然后,我们得到尖锐的非渐近上界协变量,满足“小球”型正则性条件,在指定和错误的情况下。我们的主要技术贡献是研究经验协方差阵在小值时的最小奇异值的下尾。我们建立了一个下界在这个较低的尾部,有效的任何分布在尺寸$d \geq 2$,连同一个匹配的上界在一个必要的正则性条件。我们的证明依赖于PAC贝叶斯技术控制经验过程,并扩展了奥利维拉致力于下尾的不同部分的分析。
2022-02-24 math.PR math.ST stat.ML
Threshold selection and trimming in extremes
我们考虑从极值统计中的经典Hill估计中去除低阶顺序统计量,并通过重新标度剩余项来补偿它。这些修剪的统计量作为修剪程度的函数的轨迹在最佳阈值附近是相当平坦的。对于经常变化的情况下,经典的阈值选择问题的尾部估计,然后重新审视,无论是视觉上通过修剪希尔图,霍尔类,数学上也通过最小化预期的经验方差。这导致了一个简单的阈值选择过程的经典希尔估计,它绕过了一些尾部特征的估计,一个问题,这通常是在阈值选择的瓶颈。作为一个副产品,我们得到一个替代估计的尾部指数,它分配更多的权重大的观察,并特别适合相对较轻的尾巴。一个简单的比率统计例程,建议评估隐含的阈值选择的好。我们用仿真研究和实际保险数据说明了所提出的方法的良好性能和潜力。
2020-06-28 stat.ME
EVT-Based Rate-Preserving Distributional Robustness for Tail Risk Functionals
Indian Institute of Management(印度管理学院)
本文提出一种基于EVT的尾部校准模糊设计,以保留尾部风险函数的名义渐近缩放,同时避免标准模糊集导致的风险膨胀。
2026-01-21 math.PR q-fin.RM stat.ME
Gradient boosting for extreme quantile regression
极端分位数回归提供数据范围外的条件分位数的估计值。经典的分位数回归在这种情况下表现不佳,因为尾部区域的数据太少。极值理论用于超出观测值范围的外推和条件极值分位数的估计。基于超阈值峰值法,将高阈值以上的条件分布近似为协变量相关参数的广义Pareto分布.我们提出了一个梯度提升过程来估计一个条件广义Pareto分布,通过最小化其偏差。交叉验证用于选择调优参数,如树的数量和树的深度。我们讨论诊断图,如变量的重要性和部分依赖图,这有助于解释拟合模型。在模拟研究中,我们表明,我们的梯度提升过程优于经典的方法,从分位数回归和极值理论,特别是对于高维预测空间和复杂的参数响应曲面。在荷兰的降水数据的天气预报的统计后处理的应用程序。
2022-12-21 stat.ME
Comparing Multivariate Distributions: A Novel Approach Using Optimal Transport-based Plots
本文提出利用最优传输和熵正则化最优传输构建多元 Q-Q 图及势函数图,以捕捉高维数据依赖关系和分布差异,并给出相应检验统计量。
2024-04-30 math.ST stat.ME stat.TH
Tail fitting for truncated and non-truncated Pareto-type distributions
最近,一些论文,如Aban,Meerschaert和Panorska(2006),Nuyts(2010)和Clark(2013),引起了人们对Pareto尾模型可能截断的关注。有时,自然的上界存在截断概率尾部,例如保险条约中的最大可能损失。在其他情况下,最终在最大的数据,偏离帕累托尾行为变得明显。当需要在样本之外进行外推时,这一点尤其重要。考虑到在实际中人们并不总是知道分布是否被截断,我们考虑截断和非截断Pareto型分布下的极值分位数的估计。因此,我们利用Aban { \it et al.}(2006年)。我们还提出了一个截断的帕累托QQ图和截断的正式测试,以帮助决定截断和非截断的情况。通过这种方式,我们扩大了使用帕累托尾的极值建模的可能性,通过添加相对于可用数据较大的截断点$T$来提供替代方案。因此,在数学建模中,我们让$T \to \infty$以不同的速度与极值估计中使用的数据的限制分数($k/n \to 0$)进行比较。这项工作的动机是使用实际的例子,从不同的应用领域,模拟结果,和一些渐近的结果。
2015-05-19 math.ST stat.TH
Optimal oracle inequalities for model selection
模型选择通常是通过经验风险最小化来进行的。在给定的情况下,选择的质量可以通过风险界限来评估,这需要对所使用的损失的边际和尾部进行假设。从回归、分类和密度估计这3个基本估计问题的实例出发,在连续弱化条件下,给出了经验风险最小化的风险界,并在一般水平上证明了它们,即超额损失的一般裕度和幂尾行为。
2008-06-25 math.ST stat.TH
Exponential Tail Local Rademacher Complexity Risk Bounds Without the Bernstein Condition
University of Oxford(牛津大学)
局部Rademacher复杂性框架是基于经验风险最小化框架为统计估计量建立急剧超额风险界限的最成功的通用工具箱之一。应用这个工具箱通常需要使用伯恩斯坦条件,这通常限制了对凸和适当设置的适用性。近年来,我们已经看到了一些问题的例子,其中最佳的统计性能只能通过非凸和不适当的估计来源于聚集理论,包括模型选择的基本问题。这些例子目前都超出了经典局部化理论的范围。在这项工作中,我们建立在最近的本地化方法,通过偏移Rademacher复杂性,一般的高概率论尚未建立。我们的主要结果是一个指数尾超额风险界表示的偏移Rademacher复杂性,产生的结果至少通过经典理论获得的尖锐。然而,我们的界限适用于估计依赖的几何条件(“偏移条件”),而不是估计独立的(但在一般情况下,分布依赖)伯恩斯坦条件的经典理论依赖。我们的结果适用于不适当的预测制度,而不是直接涵盖的经典理论。
2022-02-23 cs.LG math.ST stat.ML