广义Pareto分布的广义有偏概率加权矩估计方法

广义Pareto分布(GPD)是统计分析中一个极为重要的分布,被广泛应用于金融、保险、水文及气象等领域.传统的参数估计方法如极大似然估计、矩估计及概率加权矩估计方法等已被广泛应用,但使用中存在一定的局限性.虽然提出很多改进方法如广义概率加权矩估计、L矩和LH矩法等,但都是研究完全样本的估计问题,而在水文及气象等应用领域常出现截尾样本.本文基于概率加权矩理论,利用截尾样本对三参数GPD提出一种应用范围广且简单易行的参数估计方法,可有效减弱异常值的影响.首先求解出具有较高精度的形状参数的参数估计,其次得出位置参数及尺度参数的参数估计.通过Monte Carlo模拟说明该方法估计精度较高.     

Copula函数中参数的矩估计方法

Copula函数是将多维随机变量的联合分布和其边缘分布连接起来的一种函数.关于Copula函数的理论和应用已有不同深度的研究,特别是Copula函数中未知参数的估计问题.本文研究了Gumbel Copula函数的参数估计,提出了矩估计和近似矩估计两种方法,分别得到了未知参数的估计结果,并通过模拟研究对这两种方法进行了比较,结果显示矩估计方法更为合理.     

纵向数据广义部分线性模型的惩罚GMM估计

对纵向数据的部分线性模型,通常的做法是用样条方法或者核方法逼近非参数部分,然后再用广义估计方程的估计方法去估计参数部分.本文使用P-样条拟合非参数函数,对不同的矩条件用不同的广义矩方法对模型的参数和非参数进行估计,并且给出了估计量的大样本性质;并用计算机模拟和实例证明了当模型中存在不同的矩条件时,采用不同的惩罚广义矩方法可以显著地提高估计精度.     

部分线性模型基于参数信息的统计推断

针对部分线性模型提出了一种新的估计方法-Profile局部最小二乘估计,方法结合了非参数部分的参数信息.另外对于部分线性模型中非参数部分是否为某一参数函数的检验问题,基于比较原假设与备择假设下模型拟合的残差平方和的思想构造了检验统计量,并给出了计算检验p-值的精确方法和三阶矩χ2逼近方法.     

分形插值函数的矩量及扰动误差估计

研究分形插值函数的矩量积分问题.对于一类分形插值函数,给出了它在各阶区间上的(p,q)阶矩量积分的计算公式.此外,考虑含有扰动项的迭代函数系所产生的分形插值函数的矩量,讨论了扰动项对于矩量的影响,给出扰动前后矩量的误差估计式.     

Cox-Ingersoll-Ross模型的统计推断

本文研究了Cox—Ingersoll—Ross模型的统计推断问题.给出了CIR过程的平稳均值m与平稳方差v的矩估计,并利用m和v给出了CIR过程中尺度参数α与波动率β之间的关系,讨论了参数α的条件矩估计和渐近极大似然估计.并通过数值模拟对条件矩估计,渐近极大似然估计这两种方法作了比较.     

一类GARCH-M模型的拟极大指数似然估计

由于可以用来刻画金融市场波动与收益之间的关系,GARCH-M模型自提出之后,就受到了广泛的研究.关于GARCH-M模型,传统的估计方法大多是基于拟极大似然估计.然而这类方法通常对矩条件的要求比较高,而实际数据未必能够满足这些条件.因此研究如何在较弱的矩条件下来估计GARCH-M模型就有一定的实际意义.本文研究了一类特殊的GARCHM模型.与传统GARCH-M模型不同的地方在于该类模型的条件方差决定于可观测的序列.通过拟极大指数似然估计的方法给出了模型参数的局部估计.在较弱的矩条件下给出了估计的渐近正态性证明.文章给出的模拟和实证研究表明该估计方法表现很好,有一定的应用价值.     

二元极值分布混合模型的矩估计

极值理论在各个领域得到了越来越多的关注和应用, 尤其是多元极值分布. 而矩估计是一种经典的参数估计方法, 计算简单且具有某些优良性, 本文给出边缘为标准指数分布的二元极值混合模型相关参数的矩估计及其渐近方差. 并将其与极大似然估计的渐近方差比较, 结果表明矩估计是一个较好的估计.     

带有不可忽略缺失数据的广义部分线性模型的贝叶斯分析

广义部分线性模型是广义线性模型和部分线性模型的推广,是一种应用广泛的半参数模型.本文讨论的是该模型在线性协变量和响应变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题,在分析过程中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

AR模型辨识的稀疏结构迭代算法

模型估计是机器学习领域一个重要的研究内容,动态数据的模型估计是系统辨识和系统控制的基础.针对AR时间序列模型辨识问题,证明了在给定阶数下AR模型参数的最小二乘估计本质上也是一种矩估计.根据结构风险最小化原理,通过对模型拟合度和模型复杂度的折衷,提出了基于稀疏结构迭代的AR序列模型估计算法,并讨论了基于广义岭估计的最优正则化参数选取规则.数值结果表明,方法能以节省参数的方式有效地实现AR模型的辨识,比矩估计法结果有明显改善.     

基于离散观测混合次分数Brown运动的极大似然估计（英文）

本文利用极大似然方法基于离散观测研究混合次分数Brown运动的参数估计问题,得到了这些估计的渐近性质.结合Stein方法和Malliavin积分证明了相应估计的渐近正态性.模拟结果表明本文的方法是有效的.     

中心相似分布的参数估计

本文提出了中心相似多元分布统计分析模型,多元正态分布是其特例.研究了该模型中未知参数的矩估计问题,并证明了这些估计的大样本性质.     

对于部分线性模型的乘积调整半参估计

本文使用一种带有乘积调整的半参方法估计部分线性模型的非参数部分并给出所得估计的渐近性质。与传统的非参估计方法相比,我们所使用的半参数方法能够有效的降低所得估计的偏差,而方差不受影响。因此在积分均方误差(MISE)的意义下,该半参数方法要优于传统的估计方法。数值模拟也表明了这一点.     

高频金融数据的高维积分波动率矩阵估计

高维积分波动率矩阵是资源配置和风险管理的重要统计量,对其估计是金融统计和风险度量中的热点和核心问题之一.本文在带有市场信息的微观结构噪声下,考虑了高频金融数据大量资产的积分波动率矩阵估计问题.在多资产价格观察不同步下,当资产数和样本量都趋向于无穷时,本文利用不重叠区间方法和稀疏性特征提出了高维积分波动率矩阵估计,证明了该估计量具有相合性,较在加性噪声下的估计具有更快的收敛速度,其收敛速度可以达到已存在高维积分波动率矩阵估计在无噪声下的最快收敛速度.对所提出的估计与现有的高维积分波动率矩阵估计进行模拟比较,结果表明本文提出的估计方法具有优良的性质.最后将提出的估计应用于上海证券指数数据的实证研究中.     

α-混合的部分线性EV模型的矩收敛性

本文研究误差为α-混合的部分线性EV模型的矩收敛性问题.利用小波估计和修正最小二乘法,给出了参数和非参数部分的小波估计量,获得了小波估计量的矩收敛速度,推广了现有的一些结论.     

分片逆回归中的渐近推断

分片逆回归是最近提出的一种多元数据分析方法.这是一种有效的降维方法.使用该方法的关键点在于能给出条件协差阵一个较好的估计.为此目的,本文基于拟残差给出了一个估计,并且研究了它的渐近性质,最后给出了部分模拟结果.     

部分函数型线性空间自回归模型的假设检验

本文提出了部分函数型线性空间自回归模型的空间效应以及参数效应的假设检验问题.首先利用函数型主成分分析方法估计斜率函数,利用广义矩估计方法估计参数.然后利用得到的相合估计,在原假设和备择假设下,构造了基于残差平方和的检验统计量,同时给出了此检验统计量的渐近性质.模拟结果表明在有限样本下,检验统计量具有良好表现.最后将部分函数型线性空间自回归模型的检验应用到一个关于经济增长的数据案例中,说明所提出的检验统计量的应用表现.     

离散抽样OU-复合Poisson过程的参数矩估计(英)

本文研究基于离散观测的正复合Poisson过程驱动OU型过程的参数估计. 通过矩估计给出了过程平稳分布参数的估计量,并得到了估计量的相合性和渐近正态性. 进一步,将矩估计的方法和结论推广到叠加过程的情况.     

离散抽样OU-复合Poisson过程的参数矩估计

本文研究基于离散观测的正复合Poisson过程驱动OU型过程的参数估计. 通过矩估计给出了过程平稳分布参数的估计量, 并得到了估计量的相合性和渐近正态性. 进一步, 将矩估计的方法和结论推广到叠加过程的情况.     

双因素误差成分的空间面板模型的参数估计

本文构造了比较一般化的双因素误差成分结构的空间面板数据模型,其中误差成分的设定为个体效应也存在空间相关性.基于广义矩估计方法,通过构造最优的工具变量,寻找合适的矩条件组和权重矩阵,讨论了模型的参数估计问题,并证明了估计量的相合性.通过随机模拟分析估计量的有限样本性质,结果表明加权矩估计量的渐近效果优于未加权矩估计量,并且模型参数的可行的广义二阶段最小二乘估计量的估计效果很好.