形式陈述
块最大值与高门槛超额看起来是两种不同数据,为什么会共享一个尾形状参数?设总体 的右端点为 ,且 ,即属于形状 的最大值吸引域理路最大值吸引域Maximum domain of attraction · Tail quantile criterion for extreme values最大值吸引域把总体尾部与特定极值极限联系起来,尾分位的扩展正则变化同时给出判据与归一化。。对 且 ,通过正概率事件上的条件概率理路条件概率Conditional probability在已知正概率事件发生后,把交集概率重新规范到该事件内部。定义超额分布函数
Pickands–Balkema–de Haan 定理保证存在尺度函数 ,使
其中 是广义 Pareto 分布理路广义 Pareto 分布Generalized Pareto distribution · GPD广义 Pareto 分布用一个形状参数统一幂尾、指数尾与有限端点,并在提高超越门槛后保持形状、更新尺度。的分布函数,有限支持以外补为一。 在总体剩余支持以外也补为一。若 , 就是 。
关键在于形状仍是同一个 ,尺度则可以随门槛改变。这是分布函数的绝对误差一致趋零,不是所有极小尾概率的相对误差都趋零,也没有给出某个有限门槛已经足够高的通用数值。
直觉
最大值的极限由 控制;条件超额的尾部则是两个邻近高门槛概率的比值。只要总体尾部在合适尺度上具有稳定形状,去掉共同的稀有概率因子,就会留下同一种标准超额曲线。
块方法每块只保留最大值,阈值方法保留所有超过门槛的观测。定理说明二者的形状应当相容,但并未保证有限样本中的偏差、方差或依赖影响完全一样。
例子与边界
三个恰好没有逼近误差的基准
对 Pareto 尾 、,任意 都有
因此 、,在每个门槛上就已经精确是 GPD。
对率 的指数分布和门槛 ,无记忆性给出 。对 均匀分布,取 ,则在 上有条件尾 ,对应 。三种最大值形状在超额分布中完整保留。
正态超额并不精确指数,却渐近指数
若 ,令 。正态尾关系 给出,对固定 ,
所以可取 ,形状 。更高门槛后的绝对超额反而越来越小,乘以 后才看到稳定的指数形状。若不缩放,只看 ,它会退化趋零,不能得到非退化极限。
推论与应用
从尾分位判据走到条件尾
令 ,取吸引域判据中的可测正辅助函数 ,并记内部尾极限 ,。广义逆判据已给出对实数 的
在 也成立,故先对分位门槛,两式相除便得
但定理要求任意 ,还需控制分位与实际门槛的差。吸引域条件排除了有限右端点的正原子,否则 最终恒等于端点, 会与 矛盾。因此 。置
因 ,对任意固定 有 ,所以
右侧的极限是 ;再令 ,得到归一化差 。这一步允许 有跳跃或平坦区,不把 当恒等式。
由条件概率理路条件概率Conditional probability在已知正概率事件发生后,把交集概率重新规范到该事件内部。,任意固定支持内部 满足
最后一步用单调性,将移动的 夹在固定的 之间,再利用连续尾极限。 时条件尾精确为一;若 且 到达或超过有限 GPD 端点,用端点内部高度给上界,再逼近端点,极限尾为零。负 的超额 CDF 为零。因此标准化超额在整条实轴上逐点趋于连续的 GPD CDF。
点态极限为何能升级为一致分布误差
标准 GPD 的分布函数连续,包括有限端点处。先选一个足够大的有限区间,使极限分布在右端以外的尾概率很小;再把区间分成有限多个小段,使极限分布在每段增长很小。
在所有网格端点上,已经有分布函数收敛。利用原分布函数和极限分布函数都单调,每段内部的误差被两个端点误差加上极限在该段的增长控制;两端尾部则用接近零和一控制。依次缩小网格与尾概率,就得到全实轴的一致误差。把标准化坐标 换回 ,不会改变上确界。
总体稀有概率还需要一项发生率
假设在门槛 处有 ,超额模型取 。则
GPD 只给条件概率 ;若忘了乘 ,会高估一百倍。
提高门槛通常减少模型逼近偏差,却也减少可用数据。定理本身不选择门槛,更不为外推到任意远处提供相对误差保证。数据有依赖时,单个观测的边缘超额仍可有相同形状,但超越次数的分布与估计标准误必须另外处理,见极值指数与聚簇理路极值指数与超越聚簇Extremal index极值指数比较平稳序列最大值与同边缘独立样本的极限,量化高超越聚簇对有效极端事件数的影响。。
参考资料
- Richard L. Smith and Ishay Weissman, 《Extreme Values》,§1.2.2、§2.1.1 的阈值极限,§2.2.3 的正态尾渐近,§2.3 的尾分位判据。正文补出任意门槛的广义逆间隙估计与一致绝对 CDF 误差;不从分位门槛直接略过一般门槛。
- Lee Fawcett, MAS8306《Threshold methods》,§3.1、§3.2.5,超额模型及进入门槛的概率因子。