在平稳规则变化时间序列的极值分析中，尾阵和形成了一类广泛的统计学，适用于分析它们的极值行为。例如，这类包括极值图和尾部相关系数的Hill估计量或估计量。

Rootzén等人发展了尾数组和的一般渐近理论(附录申请。普罗巴伯。 8（1998）868–885）和Kulik等人(随机过程。申请。 129（2019）4209–4238）。在Drees和Rootzén中提出了一个更一般的集群泛函框架(安。统计师。 38(2010) 2145–2186).

然而，由于极限分布通常取决于时间序列的整个极值相关结构，因此其估计变得非常复杂和繁琐。因此，需要一个合适的引导过程，但尾数组和的可用引导一致性结果很少。在本文中，继Drees（2015）之后，我们考虑了乘法器块引导来估计尾数组和的极限分布。我们根据数据证明适当地构造的乘法器块bootstrap统计量收敛到正确的极限分布。有趣的是，相比之下，乘法器块引导方案的一个显然自然但幼稚的应用并没有产生正确的限制。

在仿真中，我们为我们的理论发现提供了数值证据，并说明了所提出的乘法器块自举相对于一些明显竞争对手的优势。与其他方法相比，所提出的bootstrap方案被证明具有计算效率。