A moving window approach for nonparametric estimation of the conditional tail index
当协变量信息可用时，我们提出了Pareto型分布尾指数的非参数估计族。我们的估计是基于一些选定的观察之间的对数间距的加权和。通过在协变量域上的移动窗口方法和在感兴趣的变量上的随机阈值来实现这种选择。在弱正则性条件下证明了渐近正态性，并对某些权函数进行了说明.有限样本性能的实际数据研究。
2011-04-05 math.ST stat.ME stat.TH
Heavy Tail Robust Estimation and Inference for Average Treatment Effects
针对处理组与控制组协变量有限重叠导致IPW估计量重尾、收敛慢的问题，提出尾截尾IPW估计量，通过自适应截尾可行Z并改进偏差校正，在仅移除极少极端值时实现低偏差、低均方误差且接近正态的估计。
2024-12-11 math.ST stat.ME stat.TH
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
Estimation of sparse linear regression coefficients under $L$-subexponential covariates
针对$L$-次指数协变量，提出用$\ell_1$惩罚的Huber回归获得与高斯情形相同的稀疏系数估计误差界，无需更强条件，揭示该方法新特性。
2024-02-06 math.ST stat.ML stat.TH
Conditional tail risk expectations for location-scale mixture of elliptical distributions
本文给出了位置-尺度混合椭圆分布的一元尾条件期望和多元尾条件期望的一般结果。例子包括正态分布的位置-尺度混合、Student- $t$分布的位置-尺度混合、逻辑斯谛分布的位置-尺度混合和拉普拉斯分布的位置-尺度混合。我们还考虑了椭圆分布的位置-规模混合的组合风险分解与TCE。
2020-07-18 math.ST q-fin.RM stat.TH
Hypothesis testing for varying coefficient models in tail index regression
针对尾指数回归缺乏变系数模型检验方法的问题，本文研究估计量的渐近性质，提出用于判断系数函数是否显著随协变量变化的假设检验方法。
2023-12-11 math.ST stat.TH
Consistent covariate selection and post model selection inference in semiparametric regression
本文给出了一类半参数回归模型Y_i=β^{ \prime } \underbarX_i +f（T_i）+W_i，i=1，.，n.参数和非参数分量的估计，同时通过这个程序。估计是基于有限维模型的集合，使用惩罚最小二乘标准进行选择。我们表明，通过定制的惩罚项开发的非参数回归半参数模型，我们可以一致地估计的线性部分的非零系数的子集。此外，线性分量的所选估计量是渐近正态的。
2004-06-23 math.ST stat.TH
Tail inverse regression for dimension reduction with extreme response
我们认为，监督降维的问题，特别关注的极值的目标$Y\in\mathbb{R}$解释的协变量向量$X \in \mathbb{R}^p$。一般目的是定义和估计协变量空间的低维子空间上的投影，该投影足以预测目标超出高阈值的情况。我们提出了一个原始的定义尾条件独立性，符合这一目的。受切片逆回归（SIR）方法的启发，我们开发了一个新的框架（TIREX，尾逆回归极端响应），以估计一个极端的充分降维（SDR）空间的潜在更小的维度比一个经典的SDR空间。我们证明了弱收敛尾经验过程中涉及的估计过程，我们说明了模拟和真实世界的数据所提出的方法的相关性。
2023-02-24 math.ST stat.ME stat.TH
Heterogeneous extremes in the presence of random covariates and censoring
本文在含随机协变量与删失的框架下研究极端事件分析，提出一类乘积极限积分估计量，推导其渐近性质，通过模拟与真实数据验证有限样本表现，提升了极值模型的通用性与实用价值。
2024-08-13 math.ST stat.TH
Involving copula functions in Conditional Tail Expectation
本文的目标是提出一种替代的风险度量，它考虑了损失的波动和随机变量之间可能的相关性。这种新的风险度量概念，我们称之为Copula条件尾期望，描述了在潜在的二元风险超过二元门限值的情况下，可以经历的预期风险量，并提供了一个重要的右尾风险度量。实际的财务数据的应用。
2014-04-02 math.ST q-fin.RM stat.AP
Imputation for High-Dimensional Linear Regression
我们研究了协变量中含有缺失项的高维回归。实践中的一个常见策略是用适当的替代品对缺失的条目进行\emph{impute}，然后执行标准统计程序，就好像协变量被完全观察到一样。最近关于这个问题的文献提出，而不是设计一个特定的，往往是复杂的或非凸的，算法的情况下，失踪的协变量。我们研究了一种更简单的方法，在这种方法中，我们用给定观测协变量的条件均值填充缺失项。我们表明，这种插补方案加上标准的现成程序，如LASSO和平方根LASSO保留了随机设计设置中的最小最大估计率，其中协变量是i.i.d.。亚高斯我们进一步表明，平方根LASSO保持\emph{pivotal}在此设置。通常情况下，条件期望不能精确计算，必须从数据中近似计算。我们研究了两种情况下，协变量要么遵循自回归（AR）过程，或联合高斯稀疏精度矩阵。我们提出了易于处理的估计的条件期望，然后通过LASSO进行线性回归，并显示在两种情况下相似的估计率。我们补充我们的理论结果与模拟合成和半合成的例子，不仅说明了我们的界限的清晰度，而且这种策略超出了我们的理论假设的更广泛的实用性。
2020-01-24 math.ST stat.ME stat.ML
A zero-estimator approach for estimating the signal level in a high-dimensional model-free setting
在已知协变量分布的假设下，我们研究了一个高维回归模型。我们的目标是通过协变量（信号水平）的最佳线性函数来估计响应的解释变异量。在我们的设置中，既不稀疏的系数向量，也不正常的协变量或线性的条件期望的假设。我们提出了一个无偏和一致的估计，然后改进它使用零估计的方法，其中零估计是一个统计量的期望值为零。更一般地说，我们提出了一个算法的基础上的零估计方法，原则上可以提高任何给定的估计。我们研究了所提出的估计量的一些渐近性质，并在模拟研究中证明了它们的有限样本性能。
2022-05-11 math.ST stat.TH
On Ridge Estimation in High-dimensional Rotationally Sparse Linear Regression
本文在高维旋转稀疏线性回归中研究岭估计，在两种机制下给出样本外与样本内预测误差的高概率界，并刻画误差达到 O(d/n) 的充要条件，发现最优样本外误差可能显著小于样本内误差。
2024-05-02 math.ST stat.TH
Finite-Sample Hausdorff Bounds and Hadamard Sensitivity for Regressions with MNAR Covariates
CentraleSupélec（中央苏佩莱克高等学院）
本文针对协变量非随机缺失的线性回归，通过紧致区间限制和Aumann期望刻画识别集，推导有限样本Hausdorff界，并引入Hadamard设计方法探索插补影响，实现根号n收敛。
2026-09-16 math.ST stat.TH
Functional Extreme-PLS
Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学、法国国家信息与自动化研究所、法国国家科学研究中心、格勒诺布尔理工学院）；Modal’X, Université Paris Nanterre（莫达尔X实验室、巴黎楠泰尔大学）
针对离散化函数型框架提出极端降维方法，结合PLS和SIR技术，通过投影协方差最大化捕捉尾部信息，在非线性逆单指标模型下估计指标，并证明渐近一致性。
2026-11-09 math.ST stat.TH
Functional Sequential Treatment Allocation with Covariates
University of Oxford（牛津大学）；Aarhus University（奥胡斯大学）；Université libre de Bruxelles（布鲁塞尔自由大学）；SBS-EM；ECARES
本文研究带协变量的多臂老虎机问题，提出面向一般条件结果分布函数的处理分配框架，给出期望遗憾下界并构造近似极小极大最优策略。
2020-01-29 cs.LG econ.EM math.ST
Single-index models for extreme value index regression
针对协变量高维时EVI非参数回归的维数灾难问题，在帕累托型尾分布下将单指标模型应用于EVI回归，提出惩罚极大似然估计并推导其渐近性质，数值研究验证了模型有效性。
2025-08-20 math.ST stat.TH
Unrestricted conditional maximum likelihood estimation for a Fréchet regression model
KU Leuven（荷语鲁汶大学）；UCLouvain（法语鲁汶大学）
针对Fréchet回归模型，提出无约束条件最大似然估计，证明其在非紧参数空间上的一致性和渐近正态性，并通过宇宙闭包实现参数空间紧化。
2026-09-15 math.ST stat.TH
Nonparametric estimation of conditional cure models for heavy-tailed distributions and under insufficient follow-up
在分析事件发生时间数据时，经常发生一些受试者没有经历感兴趣的事件。在存在协变量的情况下，已开发出考虑到这一特征的生存模型（称为"治愈模型"）。然而，当随访不充分时，当前关于具有协变量的非参数治愈模型的文献不能应用，即，当删失时间支持度的右端点严格小于易感受试者生存时间的右端点时。在本文中，我们试图填补这一空白，在文献中提出了新的估计的条件治愈率和条件生存函数使用外推技术来自极值理论。我们建立了所提出的估计量的渐近正态性，并通过模拟研究显示了该估计量在小样本情况下的工作原理。我们还通过对结肠癌患者生存数据的分析说明了它们的实用性。
2019-09-18 math.ST stat.ME stat.TH
Extremal quantile regression
分位数回归是估计给定协变量向量X的响应Y的条件分位数的重要工具。它不仅可以用来衡量协变量在分布中心的影响，而且可以用来衡量协变量在上尾和下尾的影响。本文发展了尾部分位数回归理论。具体地说，研究了尾部限制在最小吸引域且在回归变量值的尾部等价下闭的线性分位数回归模型的极值（极值阶和中间阶）分位数回归估计的大样本性质.这种建模设置结合了极值理论的限制与领先的同方差和异方差线性规格的回归分析。在大样本下，极阶回归分位数弱收敛于依赖于回归变量的Poisson过程随机积分的\argmin泛函，而中间回归分位数及其泛函收敛于方差矩阵依赖于尾部参数和回归变量设计的法向量.
2005-05-30 econ.EM math.ST stat.TH
Robust Survival Estimation under Interval Censoring: Expectation-Maximization and Bayesian Accelerated Failure Time Assessment via Simulation and Application
针对区间删失生存数据标准方法不适用的问题，本研究对比EM算法、参数AFT模型、贝叶斯AFT模型三类方法，通过模拟与卵巢癌数据集验证其分层应用价值，为区间删失下的生存估计提供完整策略。
2025-09-01 math.ST stat.AP stat.CO
Data and uncertainty in extreme risks - a nonlinear expectations approach
估计尾部数量，如预期短缺或风险价值，是一个困难的问题。我们展示了非线性期望理论，特别是[5]中引入的数据稳健期望，如何帮助量化这些问题的统计不确定性。然而，当我们处于重尾背景下时（特别是当我们的数据由帕累托分布描述时，这在大多数极值理论中很常见），[5]的理论是不够的，并且需要我们引入的额外正则化步骤。通过询问这种正则化是否可能，我们得到了一个定性的要求，在帕累托设置的尾部数量和风险措施的可靠估计。
2018-02-14 math.PR math.ST q-fin.ST
Conditional Extreme Value Estimation for Dependent Time Series
Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出了一种基于条件尾过程的依赖时间序列极值估计方法，通过α-混合和β-混合条件分析，应用于石油工业极端事件建模，揭示了不同条件值下的尾部行为差异。
2026-02-03 math.ST stat.TH
Multivariate doubly truncated moments for generalized skew-elliptical distributions with application to multivariate tail conditional risk measures
本文研究了广义斜椭圆（GSE）分布的多元双截尾前两阶矩，并给出了它们的显式表达式。它包括许多有用的分布，例如，广义偏正态（GSN），广义偏拉普拉斯（GSLa），广义偏逻辑（GSLo）和广义偏学生- $t$（GSSt）分布，所有这些都是特殊情况。给出了多元双截尾GSE分布的期望和协方差的计算公式。作为应用，我们给出了GSE分布的多元尾条件期望（MTCE）和多元尾协方差（MTCov）的结果。
2022-03-02 math.ST q-fin.RM stat.TH
A discrete time event-history approach to informative drop-out in multivariate latent Markov models with covariates
当响应变量受到时变的不可观测异质性的影响时，潜在马尔可夫（LM）模型是纵向数据分析的重要工具，这种异质性由隐马尔可夫链来解释。为了避免偏见时，使用这种类型的模型在信息辍学的存在下，我们提出了一个事件历史（EH）的LM方法，可用于多变量纵向数据，其中一个或多个不同性质的结果，在每个时间场合观察到的扩展。所得模型的EH分量被称为区间删失，LM建模中的偏倚通过相关随机效应来避免，这些效应包括在遵循共同马尔可夫链的不同模型分量中。为了用期望最大化算法对模型进行极大似然估计，我们推广了Baum和Welch的向后-向前递推算法。该算法具有相同的复杂性的情况下采用的非信息辍学。参数估计的标准误差是由Oakes恒等式导出的。我们说明了所提出的方法，通过一个应用程序的基础上的数据来自一项关于原发性胆汁性肝硬化的医学研究，其中有两个结果的利益，其中第一个是连续的，第二个是二进制的。
2013-06-07 math.ST stat.TH
Heavy-Tailed NGG Mixture Models
本文刻画了归一化广义伽马（NGG）过程的尾部性质，提出两类重尾混合模型及其多变量和依赖预测变量的扩展，并在模拟与神经科学数据中验证了有效性。
2025-04-03 math.ST stat.TH
On Regression in Extreme Regions
MAP5 - CNRS UMR 8145, Universit\'e Paris Cit\'e, France e3
本文提出了一个面向连续回归中协变量尾部外推的统计学习理论框架，通过在距离原点最远的子样本上进行回归，并基于多元正则变化理论，推导出了具有偏差-方差分解的有限样本风险界限。
2025-09-12 cs.LG math.ST stat.ML
Regret Distribution in Stochastic Bandits: Optimal Trade-off between Expectation and Tail Risk
Institute for Data, Systems, and Society（数据、系统与社会研究所）；Massachusetts Institute of Technology（麻省理工学院）；Department of Industrial Engineering and Operations Research（工业工程与运营管理系）
本研究在随机多臂老虎机中刻画遗憾分布期望与尾部风险的最优权衡，提出新策略并发现时间范围已知性影响最优尾部速率，为兼顾效率与安全的策略设计提供理论洞见。
2025-10-24 cs.LG math.ST stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
Sharp training-conditional coverage for conformal prediction under covariate shift
Mofid Securities（莫菲德证券公司）
本文研究协变量偏移下加权分裂共形预测的训练条件覆盖，提出基于集中不等式的显式界，并比较加权分位数、随机拒绝采样等方法，给出有限样本证书。
2026-09-29 cs.LG math.ST stat.ME
