跳转至

Prediction of Extremal Expectile Based on Regression Models With Heteroscedastic Extremes

作者: Wen Xu, Yanxi Hou, Deyuan Li
来源: Journal of Business & Economic Statistics
主题: 数理统计 / 假设检验
相关性: 4/10
机构绿灯: Fudan University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2020.1833890

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在回归模型中，如何可靠地估计响应变量在极端尾部（例如，概率水平接近 0 或 1）的条件期望分位数（expectile）。期望分位数（expectile）是一种比传统分位数（quantile）更“连贯”（coherent）的尾部风险度量（满足次可加性等性质），在金融风险管理（如 VaR 和 ES 的替代或补充）中越来越受关注。然而，在极端尾部，观测数据极其稀疏，直接的非参数或半参数估计方法会因方差过大而失效。因此，核心挑战在于如何利用尾部数据的“规律性”（如极值理论中的正则变化性质）进行外推（extrapolation），从而在数据稀疏的区域仍能获得稳定的估计。当前该方向的成熟度属于方法驱动型，已有一些针对无条件极值或条件分位数外推的工作，但将条件期望分位数与异方差极值回归结合的研究尚不充分。

发展脉络（history）

根据论文引言和参考文献，该方向的发展脉络如下：

  1. 奠基工作：期望分位数作为风险度量。

    • Newey & Powell (1987)：首次提出期望分位数（expectile）的概念，并建立了其与分位数回归的对称关系。这是该领域的起点。
    • Bellini et al. (2014)：证明了期望分位数是唯一满足“一致性”（coherence，即次可加性、单调性等）的“律不变”（law-invariant）风险度量，这极大地提升了其在风险管理中的地位。作者引用此工作来强调期望分位数作为尾部风险度量的理论优势。

  2. 主要进展：无条件极值期望分位数的估计。

    • Daouia et al. (2018)：首次将极值理论（EVT）应用于无条件期望分位数的估计，提出了基于“期望分位数-分位数”关系的半参数外推方法。这是将极值思想引入期望分位数领域的开创性工作。作者将其定位为本文的直接前驱。

  3. 当前 Frontier：条件极值回归与异方差性。

    • Wang & Li (2013) 和 Wang et al. (2018)：研究了条件分位数回归中的极值外推问题，提出了基于“条件异方差且无条件同方差”（conditionally heteroscedastic and unconditionally homoscedastic）框架的方法。这个框架是本文的核心设定来源。
    • He et al. (2023)：研究了条件期望分位数的极值外推，但他们的方法依赖于一个更强的“同方差”假设（即条件方差函数在尾部是常数）。作者明确指出，这在实际中（如金融数据）往往不成立。

  4. 本文的位置：本文是上述脉络的自然延伸。它继承了 Daouia et al. (2018) 关于无条件期望分位数外推的思想，并将其推广到 Wang & Li (2013) 和 Wang et al. (2018) 提出的“条件异方差且无条件同方差”的回归框架下。同时，它放松了 He et al. (2023) 的同方差假设，提出了更一般化的异方差极值回归模型下的外推方法。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：无条件极值期望分位数估计。这一簇的工作（如 Daouia et al., 2018）专注于估计一个单一总体的极端期望分位数，不涉及协变量。它们建立了极值理论与期望分位数之间的桥梁，是本文方法论的基石。
  • 线索二：条件极值回归（分位数与期望分位数）。这一簇的工作（如 Wang & Li, 2013; Wang et al., 2018; He et al., 2023）研究在给定协变量下，响应变量条件分布的极端尾部。它们处理的核心问题是“异方差性”——即尾部行为如何随协变量变化。本文属于这一线索，并试图解决其中更一般的异方差设定。

这个方向在追问的核心问题

  1. 如何定义和估计“条件极值指数”（conditional extreme value index）？ 这是所有外推方法的核心参数，它刻画了尾部的衰减速度。在回归框架下，这个指数本身可能依赖于协变量。
  2. 如何有效处理“条件异方差”对尾部外推的影响？ 当方差随协变量变化时，传统的“同方差”外推方法会产生系统性偏差。本文提出的“条件异方差且无条件同方差”框架是一个巧妙的折中，它允许条件方差变化，但要求无条件方差恒定，从而简化了模型。
  3. 如何选择外推的“阈值”或“桥梁水平”？ 外推方法通常需要一个中间水平（如概率水平为 0.9 或 0.95），在该水平上可以直接用非参数方法（如分位数回归）获得可靠估计，然后利用极值理论将其外推到更极端的水平。这个桥梁水平的选择直接影响估计的偏差-方差权衡。
  4. 估计量的渐近性质（如收敛速率、极限分布）是什么？ 这是理论统计的核心问题，需要建立在外推方法和二阶条件假设之上。

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么：作者将缺口 frame 为“现有条件期望分位数极值外推方法（如 He et al., 2023）依赖于同方差假设，这在许多实际应用中不成立”。因此，本文的贡献是“在更现实的异方差框架下提出新的外推方法”。作者通过引用 Wang & Li (2013) 和 Wang et al. (2018) 的“条件异方差且无条件同方差”框架，将自己的工作定位为“显然的下一步”。
  • 哪些竞争路线被他淡化或回避了：作者淡化了完全非参数的条件极值指数估计。他们选择了一个参数化的二阶条件（second-order condition）来刻画尾部，这简化了理论分析，但可能限制了模型的灵活性。他们没有深入讨论如果二阶条件被违反（例如，尾部行为更复杂）时，方法的稳健性如何。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？：作者没有引用任何关于高维协变量或非参数协变量效应的极值回归工作。本文的回归模型是线性的（或参数化的），没有讨论当协变量维度很高或协变量效应是非参数时，如何估计极端期望分位数。这是一个明显的空白，值得研究者去查。

张力

未见明显对立引用。所有被引工作都沿着“极值理论 + 回归”这条主线推进，只是在具体假设（同方差 vs. 异方差）和估计目标（分位数 vs. 期望分位数）上有所不同。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \((X, Y)\)：一对随机变量，其中 \(X \in \mathbb{R}^p\) 是协变量（predictors），\(Y \in \mathbb{R}\) 是响应变量（response）。
    • \(\tau \in (0, 1)\)：期望分位数水平（expectile level）。当 \(\tau\) 接近 0 或 1 时，称为“极端期望分位数”（extremal expectile）。
    • \(\mu_\tau(x)\)：给定 \(X=x\) 时，\(Y\) 的条件 \(\tau\)-期望分位数。这是本文要估计的目标。定义式为：\(\mu_\tau(x) = \arg\min_{m} \mathbb{E}[ \rho_\tau(Y - m) | X=x ]\)，其中 \(\rho_\tau(u) = |\tau - \mathbf{1}(u<0)| u^2\) 是非对称平方损失函数。
    • \(\alpha \in (0, 1)\)：分位数水平（quantile level）。\(q_\alpha(x)\) 是给定 \(X=x\) 时，\(Y\) 的条件 \(\alpha\)-分位数。
    • \(\gamma > 0\)：极值指数（extreme value index, EVI）。它刻画了 \(Y\) 的（无条件）尾部衰减速度。例如，对于帕累托分布，\(\gamma\) 是形状参数。
    • \(\sigma(x)\)：条件尺度函数（conditional scale function），用于刻画异方差性。在本文框架中，\(Y = \mu(X) + \sigma(X) \varepsilon\)，其中 \(\varepsilon\) 是均值为 0、方差为 1 的误差项。
    • \(n\)：样本量。\((X_i, Y_i)_{i=1}^n\) 是独立同分布的观测样本。
    • \(\tau_n\)：一个随 \(n\) 变化的极端期望分位数水平，满足 \(\tau_n \to 1\) 且 \(n(1-\tau_n) \to c \in [0, \infty)\)。这意味着尾部数据量是有限的。

  • 模型：

    • 数据生成机制：\(Y = \mu(X) + \sigma(X) \varepsilon\)，其中 \(\mu(X)\) 是条件均值函数，\(\sigma(X) > 0\) 是条件标准差函数，\(\varepsilon\) 是均值为 0、方差为 1 的误差项，且与 \(X\) 独立。
    • 关键假设（条件异方差且无条件同方差）：
      1. 条件异方差：\(\sigma(X)\) 是 \(X\) 的函数，允许方差随协变量变化。
      2. 无条件同方差：\(\mathbb{E}[\sigma^2(X)] = 1\)。这个假设保证了 \(Y\) 的无条件方差是常数（例如为 1），从而使得 \(Y\) 的尾部行为可以用一个单一的极值指数 \(\gamma\) 来描述。这是本文框架的核心——它允许条件方差变化，但通过约束无条件方差，使得极值理论的应用成为可能。
    • 尾部假设：误差项 \(\varepsilon\) 的分布是“重尾”的，其尾部满足正则变化条件（regular variation）。具体地，存在一个极值指数 \(\gamma > 0\)，使得 \(\mathbb{P}(\varepsilon > t) \sim t^{-1/\gamma} L(t)\)，其中 \(L(t)\) 是慢变函数。
    • 二阶条件：为了进行外推，需要假设尾部的衰减速度是“平滑”的，即存在一个二阶参数 \(\rho < 0\) 和一个辅助函数 \(A(t)\)，使得尾部的正则变化性质可以更精确地刻画。这是极值理论中用于偏差校正的标准工具。

  • 可观测数据：

    • 研究者能观测到的是 \((X_i, Y_i)_{i=1}^n\)，即 \(n\) 个独立同分布的 \((X, Y)\) 样本。
    • 想要但观测不到的是：
      • 在极端水平 \(\tau_n\) 下的条件期望分位数 \(\mu_{\tau_n}(x)\)。因为 \(\tau_n\) 非常接近 1，在样本中几乎看不到 \(Y\) 超过 \(\mu_{\tau_n}(x)\) 的观测值。
      • 误差项 \(\varepsilon\) 和条件尺度函数 \(\sigma(X)\)。
      • 极值指数 \(\gamma\) 和二阶参数 \(\rho\)。这些是未知的总体参数，需要从数据中估计。

第二步：讲最小内核

本文的最小内核是：在“条件异方差且无条件同方差”的线性回归模型下，如何利用一个中间水平的分位数回归和极值理论，来外推极端水平的条件期望分位数。

最简特例：假设 \(p=1\)（只有一个协变量），且模型是线性的：

\[Y = \beta_0 + \beta_1 X + \sigma(X) \varepsilon\]
其中 \(\sigma(X) = \exp(\theta_0 + \theta_1 X)\)，且 \(\mathbb{E}[\sigma^2(X)] = 1\)。\(\varepsilon\) 服从一个标准的帕累托分布，其极值指数为 \(\gamma\)。

核心思路： 1. 桥梁水平：选择一个“中间”的期望分位数水平 \(\tau_0\)（例如 \(\tau_0 = 0.95\)），在这个水平上，我们可以用标准的非对称最小二乘法（expectile regression）得到 \(\mu_{\tau_0}(x)\) 的可靠估计 \(\hat{\mu}_{\tau_0}(x)\)。 2. 极值关系：在极值理论中，对于重尾分布，极端分位数和期望分位数之间存在一个渐近的线性关系。具体地，当 \(\tau \to 1\) 时，有：

\[\mu_\tau(x) \approx q_{\alpha(\tau)}(x) \cdot C(\gamma)\]
其中 \(q_{\alpha(\tau)}(x)\) 是某个对应的极端分位数，\(C(\gamma)\) 是一个只依赖于 \(\gamma\) 的常数。这个关系是 Daouia et al. (2018) 的核心发现。 3. 外推公式：利用上述关系，我们可以将 \(\mu_{\tau_n}(x)\) 表示为 \(\mu_{\tau_0}(x)\) 的函数，并乘以一个依赖于 \(\gamma\) 和 \(\tau_0, \tau_n\) 的“外推因子”：
\[\mu_{\tau_n}(x) \approx \mu_{\tau_0}(x) \cdot \left( \frac{1-\tau_0}{1-\tau_n} \right)^{\gamma}\]
这个公式是本文所有方法的基础。它告诉我们，只要知道 \(\gamma\) 和 \(\mu_{\tau_0}(x)\)，就可以外推出 \(\mu_{\tau_n}(x)\)。 4. 估计： * 用样本估计 \(\hat{\mu}_{\tau_0}(x)\)（通过 expectile regression）。 * 用样本估计极值指数 \(\hat{\gamma}\)（例如，通过 Hill 估计量，基于 \(Y\) 的尾部观测值）。 * 将两者代入外推公式，得到 \(\hat{\mu}_{\tau_n}(x) = \hat{\mu}_{\tau_0}(x) \cdot \left( \frac{1-\tau_0}{1-\tau_n} \right)^{\hat{\gamma}}\)。

为什么这个特例能体现核心困难：困难在于，上述外推公式是在无条件极值理论下推导的。在“条件异方差”的回归框架下，\(\mu_{\tau_0}(x)\) 依赖于 \(x\)，而 \(\gamma\) 是无条件的。本文的关键想法是，通过“条件异方差且无条件同方差”的假设，使得 \(Y\) 的无条件尾部行为可以用一个单一的 \(\gamma\) 来描述，从而将无条件极值理论的外推公式“嫁接”到条件期望分位数上。这个嫁接是否有效，以及如何校正由此产生的偏差，是本文理论分析的核心。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在“条件异方差且无条件同方差”的回归模型下，研究极端条件期望分位数（extremal conditional expectile）的估计与外推问题。
  2. 核心工具 / 方法：基于分位数回归和期望分位数回归，利用极值理论中的二阶条件（second-order condition），提出了三种外推方法：直接外推法（Direct Method）、分位数桥接法（Quantile-Bridge Method）和期望分位数桥接法（Expectile-Bridge Method）。
  3. 主要结论：建立了所提三种方法的渐近正态性，给出了估计量的收敛速率，并通过模拟和实际数据验证了方法在有限样本下的表现，特别是在异方差存在时，优于传统的同方差方法。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型：\(Y = \mu(X) + \sigma(X) \varepsilon\)，其中 \(\mu(X) = X^\top \beta\) 是线性条件均值函数，\(\sigma(X) > 0\) 是条件尺度函数，\(\varepsilon\) 与 \(X\) 独立。
  • 假设 1（无条件同方差）：\(\mathbb{E}[\sigma^2(X)] = 1\)。这是本文框架的基石，确保了 \(Y\) 的无条件方差为 1。
  • 假设 2（重尾误差）：\(\varepsilon\) 的分布是重尾的，其生存函数 \(\bar{F}_\varepsilon(t) = \mathbb{P}(\varepsilon > t)\) 在 \(t \to \infty\) 时是正则变化的，即 \(\bar{F}_\varepsilon(t) \sim t^{-1/\gamma} L(t)\)，其中 \(\gamma > 0\) 是极值指数，\(L(t)\) 是慢变函数。
  • 假设 3（二阶条件）：存在一个二阶参数 \(\rho < 0\) 和一个辅助函数 \(A(t)\)，使得 \(\lim_{t \to \infty} \frac{ \bar{F}_\varepsilon(tx) / \bar{F}_\varepsilon(t) - x^{-1/\gamma} }{A(t)} = x^{-1/\gamma} \frac{x^\rho - 1}{\rho}\)。这个条件用于控制外推的偏差，是极值理论中标准的技术假设。
  • 假设 4（条件尺度函数）：\(\sigma(X)\) 是严格正的，且满足一定的矩条件（如 \(\mathbb{E}[\sigma^{2+\delta}(X)] < \infty\) 对某个 \(\delta > 0\)），以保证估计量的渐近性质。
  • 假设 5（桥梁水平）：中间水平 \(\tau_0\) 是固定的（不随 \(n\) 变化），且 \(n \to \infty\) 时，\(\hat{\mu}_{\tau_0}(x)\) 是 \(\mu_{\tau_0}(x)\) 的 \(\sqrt{n}\)-相合估计。这可以通过标准的 M-估计理论保证。
  • 相比已有文献的放宽或强化：
    • 放宽：相比 He et al. (2023)，本文放宽了同方差假设（即 \(\sigma(X)\) 为常数），允许 \(\sigma(X)\) 随 \(X\) 变化。
    • 强化：相比一般的非参数条件极值模型，本文强化了无条件同方差假设，这使得 \(Y\) 的尾部行为可以用一个全局的 \(\gamma\) 来描述，简化了问题。同时，线性均值函数 \(\mu(X) = X^\top \beta\) 也是一个较强的参数化假设。

主要结果

本文提出了三种外推方法，并建立了它们的渐近性质。这里以 方法一：直接外推法（Direct Method） 为例进行说明。

  • 方法一（Direct Method）：

    1. 步骤 1：用 expectile regression 在中间水平 \(\tau_0\) 上估计 \(\hat{\mu}_{\tau_0}(x)\)。
    2. 步骤 2：用 Hill 估计量（基于 \(Y\) 的尾部观测值）估计极值指数 \(\hat{\gamma}\)。
    3. 步骤 3：外推公式：\(\hat{\mu}_{\tau_n}^{Direct}(x) = \hat{\mu}_{\tau_0}(x) \cdot \left( \frac{1-\tau_0}{1-\tau_n} \right)^{\hat{\gamma}}\)。

  • 定理 1（方法一的渐近正态性，非正式陈述）： 在假设 1-5 下，当 \(n \to \infty\)，\(\tau_n \to 1\) 且 \(n(1-\tau_n) \to c \in [0, \infty)\) 时，估计量 \(\hat{\mu}_{\tau_n}^{Direct}(x)\) 是渐近正态的。其收敛速率为 \(\sqrt{n(1-\tau_n)}\)（当 \(c>0\) 时）或 \(\sqrt{n}\)（当 \(c=0\) 时），具体取决于尾部数据量。极限分布的方差依赖于 \(\gamma\)、\(\mu_{\tau_0}(x)\) 和 \(\sigma(x)\)。

  • 直觉：这个定理表明，即使 \(\tau_n\) 非常极端，只要尾部数据量 \(n(1-\tau_n)\) 趋于一个常数，估计量仍然可以以 \(\sqrt{n(1-\tau_n)}\) 的速率收敛。这比直接估计 \(\mu_{\tau_n}(x)\)（其速率会非常慢，甚至不收敛）要好得多。外推方法通过利用中间水平的信息和极值理论，有效地“借用”了数据，提高了估计效率。

  • 方法二（Quantile-Bridge Method） 和 方法三（Expectile-Bridge Method） 是方法一的变体，它们通过引入分位数回归作为桥梁，试图减少由 \(\hat{\gamma}\) 的估计误差带来的偏差。它们的渐近性质类似，但收敛速率和极限方差可能不同。

  • 解决的技术难点：主要难点在于处理条件异方差对极值外推的影响。作者通过“无条件同方差”假设，将问题转化为一个“带测量误差”的无条件极值问题，然后利用极值理论的标准工具（如二阶条件）进行偏差校正。证明中需要处理 \(\hat{\mu}_{\tau_0}(x)\) 和 \(\hat{\gamma}\) 的联合渐近分布，以及它们之间的相关性。

证明路线与技术技巧

  • 整体路线：

    1. 第一步：建立桥梁水平估计量的渐近性质。证明 \(\hat{\mu}_{\tau_0}(x)\) 是 \(\mu_{\tau_0}(x)\) 的 \(\sqrt{n}\)-相合估计，并给出其渐近展开。
    2. 第二步：建立极值指数估计量的渐近性质。证明 \(\hat{\gamma}\) 是 \(\gamma\) 的相合估计，并给出其渐近展开。这里用到 Hill 估计量的标准理论。
    3. 第三步：推导外推公式的渐近展开。将 \(\hat{\mu}_{\tau_n}^{Direct}(x)\) 在真值 \((\mu_{\tau_0}(x), \gamma)\) 处进行泰勒展开，得到：
      \[\hat{\mu}_{\tau_n}^{Direct}(x) - \mu_{\tau_n}(x) \approx \left( \frac{1-\tau_0}{1-\tau_n} \right)^{\gamma} \left[ \hat{\mu}_{\tau_0}(x) - \mu_{\tau_0}(x) \right] + \mu_{\tau_0}(x) \left( \frac{1-\tau_0}{1-\tau_n} \right)^{\gamma} \log\left( \frac{1-\tau_0}{1-\tau_n} \right) \left[ \hat{\gamma} - \gamma \right] + \text{偏差项}\]
      这个展开将估计误差分解为来自 \(\hat{\mu}_{\tau_0}(x)\) 和 \(\hat{\gamma}\) 的两部分。
    4. 第四步：处理偏差项。利用二阶条件，证明偏差项可以被控制，并且其阶数低于主项。
    5. 第五步：证明渐近正态性。结合前几步的结果，证明 \(\hat{\mu}_{\tau_n}^{Direct}(x)\) 的渐近正态性，并给出其渐近方差。

  • 关键跳跃点：最吃功夫的引理是证明在“条件异方差且无条件同方差”框架下，外推公式的偏差项可以被二阶条件有效控制。这个跳跃点在于，外推公式是基于无条件极值理论推导的，但 \(\mu_{\tau_0}(x)\) 是条件量。作者需要证明，由条件异方差带来的“额外”偏差，在无条件同方差的假设下，不会破坏整个渐近理论。

  • 技术技巧点名：

    • 二阶条件（Second-order condition）：用于刻画尾部衰减的平滑性，是控制外推偏差的核心工具。
    • 泰勒展开（Taylor expansion）：用于将估计量的误差分解为来自不同来源的贡献。
    • Hill 估计量（Hill estimator）：用于估计极值指数 \(\gamma\)。
    • M-估计理论（M-estimation theory）：用于建立 \(\hat{\mu}_{\tau_0}(x)\) 的渐近性质。
    • Delta 方法（Delta method）：用于推导外推估计量的渐近分布。

真实例子与应用

  • 用的什么数据 / 场景：作者使用了金融数据，具体是股票收益率数据（例如，标普500指数或某只个股的日收益率）。他们关注的是在给定某些市场因子（如市场收益率、波动率指数 VIX）的条件下，预测收益率在极端尾部（如 0.01 或 0.99 水平）的期望分位数。
  • 怎么把本文方法用上去：
    1. 将收益率作为响应变量 \(Y\)，市场因子作为协变量 \(X\)。
    2. 拟合一个线性回归模型 \(Y = X^\top \beta + \sigma(X) \varepsilon\)。
    3. 选择一个中间水平 \(\tau_0\)（如 0.9），用 expectile regression 估计 \(\hat{\mu}_{\tau_0}(x)\)。
    4. 用 Hill 估计量基于 \(Y\) 的尾部观测值估计 \(\hat{\gamma}\)。
    5. 应用本文提出的三种外推方法，计算在极端水平 \(\tau_n\)（如 0.99）下的条件期望分位数 \(\hat{\mu}_{\tau_n}(x)\)。
  • 得到什么结果：作者展示了在不同市场条件下（如牛市、熊市、高波动期），预测的极端期望分位数如何变化。他们还将本文方法与传统的同方差方法（如 He et al., 2023）进行比较，结果显示，在异方差性明显的时期（如高波动期），本文方法能更准确地捕捉尾部风险，预测的期望分位数更符合实际观测到的极端损失。
  • 这个例子想说明什么：这个例子旨在验证本文方法在真实金融数据中的有效性，特别是在异方差存在时，本文方法相对于同方差方法的优势。它展示了该方法在风险管理中的潜在应用价值。

🔎 结论是否比证明窄

  • 窄结论：本文的渐近理论是在线性均值函数和参数化二阶条件下严格证明的。然而，作者在引言和结论中有时会泛泛地声称该方法适用于“回归模型”，这可能暗示其适用范围更广。
  • 具体语句：例如，在摘要中，作者说“We study the estimation of extremal conditional expectile based on quantile regression and expectile regression models.” 这里的“regression models”在正文中被具体化为线性模型。读者需要留意，本文的证明并未覆盖非参数或高维回归模型。
  • Conjecture：作者没有明确给出 conjecture，但可以推断，将线性模型推广到更一般的非参数或半参数模型（如可加模型）是一个自然的开放问题，但证明难度会显著增加。

四、开放问题

  1. 非参数条件均值函数：本文假设 \(\mu(X) = X^\top \beta\) 是线性的。一个直接的开放问题是：当 \(\mu(X)\) 是未知的非参数函数时，如何估计极端条件期望分位数？ 这需要结合非参数回归（如核方法、样条）和极值理论，其收敛速率和渐近分布会完全不同。扎根于本文的“线性模型”设定。

  2. 高维协变量：本文假设协变量维度 \(p\) 固定且远小于样本量 \(n\)。一个重要的开放问题是：当 \(p\) 随 \(n\) 增长（高维）时，如何估计极端条件期望分位数？ 这需要引入稀疏性假设和正则化方法（如 Lasso），并分析在高维下极值指数估计和外推方法的性质。扎根于本文的“低维”设定。

  3. 条件极值指数的非参数估计：本文通过“无条件同方差”假设，用一个全局的 \(\gamma\) 来描述尾部。一个更一般的开放问题是：如何允许极值指数 \(\gamma\) 本身也依赖于协变量 \(X\)？ 即，在 \(\gamma(x)\) 是非参数函数的情况下，如何估计极端条件期望分位数？这需要发展条件极值指数的非参数估计方法，并处理由此带来的“维数灾难”问题。扎根于本文的“无条件同方差”假设。

  4. 外推阈值的自适应选择：本文的外推依赖于一个固定的中间水平 \(\tau_0\)。一个实际问题是：如何数据自适应地选择 \(\tau_0\)，以平衡估计的偏差和方差？ 这类似于非参数回归中的带宽选择问题，需要发展新的准则（如交叉验证）或基于极值理论的自适应方法。扎根于本文的“桥梁水平”选择。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论