×
奥利维尔·C·帕什。;瓦莱里·查韦兹·德莫林;安东尼·戴维森（Anthony C.Davison）。

重尾变量的因果建模，与河流流量应用混淆。 （英语） Zbl 07730787号

极端 26，第3号，573-594（2023）.
摘要：混淆变量是因果发现和推理的经常性挑战。在许多情况下，复杂的因果机制只会在极端事件中显现出来，或在极端情况下以更简单的形式显现出来。在极端河流流量和降水数据的刺激下，我们为重尾变量引入了一种新的因果发现方法，当变量具有可比的尾部时，该方法可以几乎完全消除已知潜在混杂因素的影响，并且当混杂因素的尾部较重时，也可以将其充分减小，以便进行正确的因果推断。我们还介绍了现有因果尾系数的一种新的参数估计和一种置换检验。仿真结果表明，该方法效果良好，并将其应用于激励数据集。

引用于1文件

MSC公司：

62埃克斯 统计分布理论

关键词：

因果关系;因果尾系数;混淆;极值统计;广义帕累托分布

软件：

伊斯梅夫;TETRAD公司;引导库
PDF格式BibTeX公司 XML格式引用
\textit｛O.C.Pasche｝等人，《极端》26，第3期，573–594（2023年；Zbl 07730787）
全文： 内政部 arXiv公司
OA许可证

参考文献：

[1] Coles，S.，《极值统计建模导论》，施普林格出版社，伦敦（2001年）·Zbl 0980.62043号 ·doi:10.1007/978-1-4471-3675-0
[2] AC戴维森；Hinkley，DV，Bootstrap Methods and their Application，剑桥大学出版社，纽约，（1997）·Zbl 0886.62001号 ·文件编号：10.1017/CBO9780511802843
[3] AC戴维森；Smith，RL，《超高阈值模型》（含讨论），《皇家统计学会期刊》，B辑，52，393-442（1990）·Zbl 0706.62039号 ·doi:10.1111/j.2517-6161.1990.tb01796.x
[4] Engelke，S。；Ivanovs，J.，《多元极值的稀疏结构》，《统计及其应用年度回顾》，8241-270（2021）·doi:10.1146/annurev-statistics-040620-041554
[5] 吉赛布尔，N。；Klüppelberg，C.，有向无环图上的Max-linear模型，Bernoulli，242693-2720（2018）·Zbl 1419.62138号 ·doi:10.3150/17-BEJ941
[6] Gnecco，N。；明绍森，N。；Peters，J.，《重尾模型中的因果发现》，《统计年鉴》，49，3，1755-1778（2021）·Zbl 1475.62130号 ·doi:10.1214/20-AOS2021
[7] 哈里斯，N。；Drton，M.，非超常图形模型的PC算法，《机器学习研究杂志》，14，3365-3383（2013）·Zbl 1318.62197号
[8] 基里略克，A。；Naveau，P.，《使用多变量峰值-阈值模型和反事实理论进行气候极端事件归因》，《应用统计年鉴》，第14、3、1342-1358页（2020年）·Zbl 1483.62186号 ·doi:10.1214/20-AOAS1355
[9] Klüppelberg，C。；Krali，M.，通过缩放估计极端贝叶斯网络，多元分析杂志，181，104，672（2021）·Zbl 1461.62083号 ·doi:10.1016/j.jmva.2020.104672
[10] Maathuis，MH；南迪，P。；贝尔曼，P。；Drineas出版社。；凯恩，M。；van der Laan，MJ，《因果推理最新进展综述》，《大数据手册》（2016），查普曼和霍尔
[11] Mhalla，L。；Chavez-Demoulin，V。；Dupuis，D.，多瑙河上游流域网络极端河流流量的成因机制，应用统计，69，741-764（2020）·doi:10.1111/rssc.12415
[12] Naveau等人。；Hannart，A。；Ribes，A.，气候科学中极端事件归因的统计方法，《统计及其应用年鉴》，第789-110页（2020年）·doi:10.1146/annurev-statistics-031219-041314
[13] Pearl，J.：因果关系：模型、推理和推断。剑桥大学出版社，美国纽约州纽约市，第二版·Zbl 0959.68116号
[14] 彼得斯，J。；Bühlmann，P。；Meinshausen，N.，《使用不变预测进行因果推断：识别和置信区间（讨论）》，《皇家统计学会杂志》，B辑，78，5，947-1012（2016）·Zbl 1414.62297号 ·doi:10.1111/rssb.12167
[15] Peters，J.、Janzing，D.、Schölkopf，B.：因果推理的要素：基础和学习算法。麻省理工学院出版社，马萨诸塞州剑桥（2017）·Zbl 1416.62012年
[16] 清水，S。；PO霍耶；Hyvärinen，A.，因果发现的线性非高斯非循环模型，机器学习研究杂志，2003-2030（2006）·Zbl 1222.68304号
[17] Spirtes，P。；Glymour，C。；Scheines，R.，《因果、预测和搜索》（2000），马萨诸塞州坎布里奇，美国：麻省理工学院出版社，马萨诸塞诸塞州剑桥，美国·Zbl 0806.62001
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。