R语言极值理论：希尔HILL统计量尾部指数参数估计可视化

全文链接：http://tecdat.cn/?p=26277

极值理论对样本尾部分布的极值指数的估计方法主要有两类：半参数方法和全 参数方法，前者主要是基于分布尾部的 Hill 估计量，后者则主要基于广义帕累托分布（点击文末“阅读原文”获取完整代码数据）。

相关视频

尾部指数的希尔HILL统计量估计。更具体地说，我们看到如果

， 和

，然后希尔HILL估计为

。然后

在某种意义上满足某种一致性

,如果

，即

（在收敛速度的附加假设下，

）。此外，在附加的技术条件下

为了说明这一点，请考虑以下代码。首先，让我们考虑一个帕累托生存函数，以及相关的分位数函数

> Q=fuction(p){unro(funion(x) S(x)-(1-p),loer=1,per=1e+9)$root}

我们将考虑更复杂的生存函数。这是生存函数和分位数函数，

> plot(u,Veie(Q)(u),type="l")

在这里，我们需要 分位数函数从这个分布中生成一个随机样本，

> X=Vectorize(Q)(runif(n))

hill统计量在这里

> abline(h=alpha)

POT超阈值模型和极值理论EVT分析

02

03

04

我们现在可以生成数千个随机样本，并查看这些估计器（对于某些特定的k）。

> for(s in 1:ns){
+ X=Vectorize
+ H=hill
+ hilk=function(k) 
+ HilK\[s,\]=Vectorize
+ }

如果我们计算平均值，

> plot(15*(1:10),apply(2,mean)

我们得到了一系列可以被认为是无偏的估计量。

现在，回想一下，处于 Fréchet 分布并不意味着

， 和

, 但意味着

对于一些缓慢变化的函数

，不一定恒定！为了了解可能发生的情况，我们必须稍微具体一些。这只能通过查看生存函数的性质。假设，这里有一些辅助函数

这个（正）常数

以某种方式与生存函数与幂函数之比的收敛速度有关。

更具体地说，假设

然后，使用获得二阶正则变化性质

，然后，如果

趋向于无穷大太快，那么估计就会有偏差。 如果

，那么，对于一些

,

这个结果的直观解释是，如果

太大，并且如果基础分布不_完全_ 是帕累托分布，那么希尔估计量是有偏的。这就是我们所说的意思

• 如果

太大，

是有偏估计量

• 如果

太小，

是一个不稳定的估计量

（后者来自样本均值的属性：观察越多，均值的波动性越小）。

让我们运行一些模拟以更好地了解正在发生的事情。使用前面的代码，生成具有生存函数的随机样本实际上是极其简单的

> Q=function(p){uniroot(function(x) S(x)-(1-p)}

如果我们使用上面的代码。

希尔hill变成

> abline(h=alpha)

但它仅基于一个样本。再次考虑数千个样本，让我们看看 Hill 统计量如何，

所以这些估计量的（经验）平均值是

本文选自《R语言极值理论：希尔HILL统计量尾部指数参数估计可视化》。

点击标题查阅往期内容

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

R语言POT超阈值模型和极值理论EVT分析

R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法

R语言极值理论EVT：基于GPD模型的火灾损失分布分析

R语言有极值（EVT）依赖结构的马尔可夫链(MC)对洪水极值分析

R语言POT超阈值模型和极值理论EVT分析

R语言混合正态分布极大似然估计和EM算法

R语言多项式线性模型：最大似然估计二次曲线

R语言Wald检验 vs 似然比检验

R语言GARCH-DCC模型和DCC（MVT）建模估计

R语言非参数方法：使用核回归平滑估计和K-NN(K近邻算法)分类预测心脏病数据

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

R语言基于Bootstrap的线性回归预测置信区间估计方法

R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型

Matlab马尔可夫区制转换动态回归模型估计GDP增长率

R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法