摘要

期望短缺（ES）在各领域广泛用于刻画分布尾部特征，尤其在金融风险管理中。本文探索利用正交特性的两步程序，在联合分位数和期望短缺回归框架内降低对 nuisance 参数的敏感性。针对高维稀疏模型，提出能够处理重尾数据分布的鲁棒 ℓ1 惩罚两步方法。建立了非渐近估计误差界，并为发散的鲁棒化参数提出了适当的增长率。为对 ES 回归系数的某些线性组合进行统计推断，构建了去偏估计量并发展了其渐近分布，为构建有效置信区间奠定了基础。通过模拟研究验证了所提出方法的有效性，证明了其在具有重尾误差的高维线性模型中的优越性能。