高维尾部相关性的连续更新加权最小二乘估计量
统计方法学
2016-01-20 v1
摘要
基于似然的方法是估计尾部相关性参数的常用途径。然而，在不可微模型（例如近期提出的极大线性结构方程模型）中，这些方法并不适用。此外，在高维情形下它们可能难以计算。一种自适应加权最小二乘方法将稳定尾部相关性函数的非参数估计与参数化指定提议的相应值相匹配，产生了一种新的最小距离估计量。该估计量易于计算，并适用于广泛的抽样方案和尾部相关性模型。在大样本下，它是渐近正态的，且具有显式且可估计的协方差矩阵。所得的最小距离构成了拟合优度统计量的基础，其渐近分布为卡方分布。大量的 Monte Carlo 模拟证实了该估计量优良的有限样本表现，并表明它是现有方法的有力竞争者。随后，将该估计量应用于欧洲股票市场，以理清尾部相关性的来源。
引用
@article{arxiv.1601.04826,
title = {A continuous updating weighted least squares estimator of tail dependence in high dimensions},
author = {John H. J. Einmahl and Anna Kiriliouk and Johan Segers},
journal= {arXiv preprint arXiv:1601.04826},
year = {2016}
}