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)
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
太大,
是有偏估计量
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
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