Skip to content

定理Theorem

Pickands–Balkema–de Haan 阈值定理

施工中 · 内容逐步修订

Pickands-Balkema-de Haan theorem · Peaks-over-threshold limit theorem

属于极值吸引域的总体,其高门槛以上的条件超额可由同形状参数的广义 Pareto 分布一致逼近。

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 F 的右端点为 xF,且 F∈D(Gξ),即属于形状 ξ 的最大值吸引域。对 u<xF 且 F(u)<1,通过正概率事件上的条件概率定义超额分布函数

Fu(y)=P(X−u≤y∣X>u)=F(u+y)−F(u)1−F(u),y≥0.

Pickands–Balkema–de Haan 定理保证存在尺度函数 β(u)>0,使

supy≥0|Fu(y)−Hξ,β(u)(y)|⟶0,u↑xF,

其中 Hξ,β 是广义 Pareto 分布的分布函数,有限支持以外补为一。Fu 在总体剩余支持以外也补为一。若 xF=∞,u↑xF 就是 u→∞。

关键在于形状仍是同一个 ξ,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 nP(X>u) 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 P(X>x)=x−α、x≥1,任意 u≥1 都有

P(X−u>y∣X>u)=(1+yu)−α.

因此 ξ=1/α、β(u)=u/α,在每个门槛上就已经精确是 GPD。

对率 λ>0 的指数分布和门槛 u≥0,无记忆性给出 ξ=0,β(u)=1/λ。对 (0,1) 均匀分布,取 0≤u<1,则在 0≤y≤1−u 上有条件尾 1−y/(1−u),对应 ξ=−1,β(u)=1−u。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 X∼N(0,1),令 u→∞。正态尾关系 1−Φ(u)∼φ(u)/u 给出,对固定 z≥0,

P(X−u>zu∣X>u)=1−Φ(u+z/u)1−Φ(u)∼uu+z/uexp⁡(−z−z22u2)⟶e−z.

所以可取 β(u)=1/u,形状 ξ=0。更高门槛后的绝对超额反而越来越小,乘以 u 后才看到稳定的指数形状。若不缩放,只看 X−u,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 U(t)=F←(1−1/t),取吸引域判据中的可测正辅助函数 a(t),并记内部尾极限 Vξ(z)=(1+ξz)−1/ξ,V0(z)=e−z。广义逆判据已给出对实数 t→∞ 的

tF―(U(t)+a(t)z)⟶Vξ(z).

在 z=0 也成立,故先对分位门槛,两式相除便得

P(X−U(t)a(t)>z|X>U(t))⟶Vξ(z).

但定理要求任意 u↑xF,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 U(t) 最终恒等于端点,[U(2t)−U(t)]/a(t)=0 会与 hξ(2)>0 矛盾。因此 F―(u)→0。置

t=t(u)=1F―(u),β(u)=a(t(u)).

因 F(u)=1−1/t,对任意固定 ε>0 有 U(t)≤u<U(t(1+ε)),所以

0≤u−U(t)a(t)≤U(t(1+ε))−U(t)a(t).

右侧的极限是 hξ(1+ε);再令 ε↓0,得到归一化差 d(u)=[u−U(t)]/a(t)→0。这一步允许 F 有跳跃或平坦区,不把 F(U(t))=1−1/t 当恒等式。

由条件概率,任意固定支持内部 z≥0 满足

P(X−uβ(u)>z|X>u)=tF―(U(t)+a(t)[z+d(u)])⟶Vξ(z).

最后一步用单调性,将移动的 z+d(u) 夹在固定的 z−δ,z+δ 之间,再利用连续尾极限。z=0 时条件尾精确为一;若 ξ<0 且 z 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 z 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 z=y/β(u) 换回 y,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 u=10 处有 P(X>10)=0.01,超额模型取 ξ=1/2,β=5。则

P(X>30)≈0.01(1+(1/2)(30−10)5)−2=0.019.

GPD 只给条件概率 1/9;若忘了乘 0.01,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。

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。
关系图谱9 个相邻概念 · 2 类关系

拖动节点调整位置。

显示关系

显示:依赖

  1. 前置三跳
  2. 前置二跳
  3. 前置一跳
  4. 当前条目
  5. 后续一跳
  6. 后续二跳
  7. 后续三跳
文字版关系按与当前条目的最短距离分组
类型化关系

使用的工具