洛伦兹曲线的半参数估计

洛伦兹曲线与基尼系数是研究社会收入分配差异的重要工具.社会收入分配是一个复杂的过程,用尽可能精确的曲线给出洛伦兹曲线的估计进而给出基尼系数的估计,历来是统计学者和经济学者的工作目标.基于将参数方法与非参数方法相结合的思想给出洛伦兹曲线的半参数估计,进而导出基尼系数的估计,并据此进行了实证分析.     

高维参数多项Logistic模型的估计方法

高维参数多项Logistic模型的参数估计,用极大似然法估计很困难.文章给出一种新的估计方法:基于逆回归,给出参数单位向量的估计,从而高维参数得到降维;用极大似然法估计参数向量的模,最后得到参数的估计.且是相合估计.     

一种车险先验风险分布的参数估计方法

采用全体车险保单组合的风险损失数据(即先验信息)作为定价的信度补充,是车险精算定价的主流方法;而得到风险损失的先验分布或特征信息是经验费率定价的基础.文章引入过程和结构方差分析方法对车险索赔过程的先验分布参数进行估计;并提出了针对索赔频率和索赔额模型的参数估计方法.该方法能快速近似估计多参数分布模型,优于传统参数估计方法.     

基于ARFIMA(p, d, q)过程的半参数估计量分布特征及其有偏性研究7737976300

 本文运用蒙特卡罗模拟的方法对小样本下长记忆性的三种半参数估计量的分布特征尤其是有偏性问题进行了深入分析,结果发现,当长记忆和短记忆同时存在时,在大多数情况下,各参数估计量仍然服从正态分布,因此在小样本下仍可以构造t统计量判别参数的显著性,但由于受到短期参数的影响,估计量的分布是有偏的,因此导致参数的估计和检验出现偏差。而当真实数据过程接近非平稳或过度差分时,半参数估计量的分布也会发生改变。     

Lindley分布的统计分析

文章在全样本场合下,比较了两种求参数区间估计的方法,通过Monte-Carlo模拟比较了区间估计的精度.其次在定数截尾样本场合下,给出了参数的极大似然估计与逆矩估计,通过模拟比较认为逆矩估计比较精确,同时还给了求参数区间估计方法,通过模拟发现方法是可行的.     

熵损失函数下Burr(α)X分布参数的贝叶斯估计

文章研究了Burr(α)X分布参数的各类贝叶斯估计问题.在熵损失函数下分别获得了参数的贝叶斯估计、经验贝叶斯估计、多层贝叶斯估计和E-Bayes估计.证明了参数经验贝叶斯估计的渐近最优性,讨论了参数多层贝叶斯估计和E-Bayes估计的稳健性,通过蒙特卡洛方法对各类估计的MSE进行了数值模拟和比较分析,结果表明:经验贝叶斯估计的均方误差最小,精度较高.     

非参数回归估计与人工神经网络方法的预测效果比较

文章研究了非参数回归方法在中石油和浦发银行等六支股票的价格预测中的应用.讨论了核估计、k阶最近邻估计、样条估计和惩罚样条估计4种常用的非参数回归方法,其中,核估计和k阶近邻估计共选取5种不同的权函数.最后,以MAPE为判断指标,将非参数回归方法的预测结果与RBF(多变量插值的径向基函数)人工神经网络方法的预测结果进行了比较.     

Archimedean Copula函数中参数的Bootstrap估计

文章给出Archimedean Copula函数中参数的Bootstrap估计.Bootstrap估计能对所有的Archimedean Copula函数中的参数进行估计,通过计算机模拟,把Bootstrap估计方法与和的非参数法进行了比较,说明Bootstrap估计的优越性.最后对上证基金和上证B股进行了实证分析,体现了Bootstrap估计的实用性.     

Box-Cox变换下联合均值与方差模型的极大似然估计

在提出Box-Cox变换下联合均值与方差模型的基础上,研究了该模型参数的估计问题.同时利用截面极大似然估计方法对变换参数λ进行估计,并对均值模型和方差模型的参数进行极大似然估计.通过随机模拟和实例研究,结果表明该模型和方法是有效和可行的.     

纵向数据下半参数Logistic模型的变量选择

文章研究了纵向数据半参数Logistic回归模型的估计问题,给出了模型中未知参数和未知函数的估计方法,探讨了参数部分的变量选择问题,并对不同的变量选择方法进行比较分析.从模拟结果可以看到,文中给出的方法具有很好的估计效果.     

Copula函数的非参数核密度估计方法

文章运用非参数核密度估计技术并结合极大似然估计方法来估计Copula函数中的参数,克服了传统方法在估计Copula函数参数时的不足.并通过计算机仿真分析,证实了此方法的可行性与准确性.     

基于逐步递增的Ⅱ截尾样本的Rayleigh分布参数的Bayes收缩估计

在逐步递增的Ⅱ截尾试验下,文章针对Rayleigh分布参数的估计问题,在平方误差损失函数下得到了未知参数的Bayes估计,同时提出了一种新的估计方法-Bayes收缩估计.数值模拟结果表明提出的Bayes收缩估计较Bayes估计更加稳健.     

广义指数分布的统计推断

文章利用逆矩法估计广义指数分布的未知参数,并与最大似然估计作了模拟比较,模拟结果表明逆矩估计量更好.同时,我们也给出了构造尺度参数区间估计的方法.     

半参数混合模型下的贝叶斯方法与应用

极端值估计是损失评估的重要研究部分,文章在贝叶斯方法的基础上,用半参数混合模型来拟合损失.在确定模型参数的过程中,运用贝叶斯方法对参数建模,将参数转化成随机变量,并基于马尔卡夫蒙特卡罗(MCMC)抽样得到参数的估计值.该方法的特点是参数数量少,通过抽样把参数转化成随机变量,给出所有参数可能取值的频率分布图.实证结果表明模型结果既考虑了参数的不确定性,又兼顾了损失的厚尾性.     

基于随机窗宽的α-混合序列分布函数估计

在总体未知的条件下,非参数方法是分布函数常用的估计方法.独立样本下分布函数的核估计方法已经有了深入的研究,文章对非独立的平稳α-混合序列的分布函数提出了随机窗宽条件下的非参数核估计,讨论了估计的强一致相合性和一致完全收敛性.     

指数族分布中参数的经验贝叶斯估计

指数族分布是一类应用广泛的分布类,包括了泊松分布、Gamma分布、Beta分布、二项分布等常见分布.在非寿险中,索赔额或索赔次数过程常常被假定服从指数族分布,由于风险的非齐次性,指数族分布中的参数θ也为随机变量,假定服从指数族共轭先验分布.此时风险参数的估计落入了Bayes框架,风险参数θ的Bayes估计被表达“信度”形式.然而,在实际运用中,由于先验分布与样本分布中仍然含有结构参数,根据样本的边际分布的似然函数估计结构参数,从而获得风险参数的经验Bayes估计,最后证明了该经验Bayes估计是渐近最优的.     

单调条件下部分线性回归模型的估计及渐进性质

探讨了部分线性回归模型当非参数分量受到单调条件限制时的估计问题,利用惩罚局部线性核估计方法给出参数分量与非参数分量αRLS、gRLS的估计,并进一步研究了^αRLS及^gRLS的渐进性质,结果表明:新得到的非参数约束条件下的估计是a.s.收敛的,并且保证了单调性和边界点适应性。将问题推广到一般情况,探讨了部分线性回归模型当非参数分量受到高阶导数约束时,参数分量的估计^αRLS。     

不同损失下指数-威布尔分布参数的Bayes估计

文章在对称和非对称损失函数下研究了两参数指数一威布尔分布(EWD)形状参数的Baves估计问题.当其中一个形状参数α已知时,给出了另一个形状参数θ在三种不同损失函数下Baves估计表达式及极大似然估计:运用随机模拟方法产生不同容量的样本对三种不同形式的Baves估计及极大似然估计的精确度进行了比较.模拟结果说明,要提高估计的精确度,应根据样本数选取损失函数.     

一种新寿命分布的参数估计及其应用

Chen(2000)提出了一种新的两参数寿命分布,这个分布有递增或浴盆型失效率函数,并基于Ⅱ型截尾样本给出了分布参数的区间估计.文章对这种两参数寿命分布在一个参数已知时,基于Ⅰ型截尾样本并借助Han(2011)给出的失效概率的E-Bayes估计给出了另一个参数的最小二乘估计和加权最小二乘估计,进而得到了失效率函数和可靠度的估计.最后,结合发动机的实际问题进行了计算,结果表明方法可行且便于工程应用.     

基于MCMC方法的GARCH模型参数估计

参数GARCH模型是最常用的度量金融市场波动性的模型.运用马尔科夫蒙特卡罗(MCMC)方法对残差基于正态分布的GARCH(1,1)的参数进行估计,由沪市股指收益率数据的实证分析结果表明:基于马尔科夫蒙特卡罗(MCMC)方法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力.