潜在因素模型在商业银行信用风险分析中的应用

在评估商业银行整体信用风险时,债务人的信息一般不会传递到风险管理部门,导致在缺少违约数据时传统方法的分析十分复杂甚至难以进行.基于贝叶斯方法的潜在因素模型可以有效解决无法获得特定债务人信用质量的问题,并能够在宏观经济环境变动时准确评估违约风险强度变化,从而避免低估风险.利用MCMC模拟方法对商业银行数据的实证分析表明,潜在因素模型不仅推断方法及模拟途径简洁清晰,估计结果更加精确,而且在贝叶斯框架下具有较强的灵活性,适合在不同的数据约束条件下应用,便于国内风险分析人员采用.     

小样本情况下的游程检验

对于二项分布，在传统的参数统计中，我们可以检验其分布特性，但涉及到数据的随机性、独立性问题时，常常束手无策。在非参数统计中，针对二项分布问题，尤其是分布，我们可以利用游程检验判断其随机性。本文将对小样本情况下的游程检验进行分析和证明，并指出其在实际生产、研究过程中的应用。游程检验主要可以用于对属性数据的分析，判断一些事件的发生是不是独立的，也可用于对事件发生概率的推断，在此我们主要针对数据的随机性检验介绍游程检验。     

基于混合参数先验分布的贝叶斯因子分析

因子分析模型的贝叶斯推断是贝叶斯多元统计推断理论的重要组成部分。本文通过分析因子分析模型的统计结构,构造了模型参数的混合先验分布;利用贝叶斯定理,结合模型样本似然函数和参数的先验分布推导了参数的后验分布;证明了因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布。实证研究结果表明:由于参数先验分布的作用,贝叶斯因子分析的结论与传统的因子分析之间存在显著性的差异。     

相关差别指标的区间估计方法比较

在公共疾病控制领域,重大稀有疾病的发病率非常低,符合逆抽样特征,量化分析重大稀有疾病的发病率并对其特点进行分析。为了研究在带有群内相关条件下的整群抽样问题,通过二项分布抽样对比流行病学中相关差别指标的六种渐近置信区间的构造方法研究,综合考虑实际覆盖率与区间长度对各种方法的优劣及适用情况做出对比分析。研究表明,Wald型置信区间与对数变换的置信区间对发病率的估计表现因参数而定,而Bootstrap类方法不稳定。本研究找出了不同区间估计方法的适用场合,应合理看待置信区间这种评估方法在流行病学中的实际应用。     

相关差别指标的区间估计方法比较

在公共疾病控制领域,重大稀有疾病的发病率非常低,符合逆抽样特征,量化分析重大稀有疾病的发病率并对其特点进行分析,为了研究在带有群内相关条件下的整群抽样问题,通过β-二项分布抽样对比流行病学中相关差别指标的六种渐近置信区间的构造方法,综合考虑实际覆盖率与区间长度对各种方法的优劣及适用情况并对比分析。研究表明,Wald型置信区间与对数变换的置信区间对发病率的估计表现因参数而定,而Bootstrap类方法不稳定。本研究找出了不同区间估计方法的适用场合,认为应合理看待置信区间这种评估方法在流行病学中的实际应用。     

负二项分布的两种近似分布及其比较

负二项分布是一个重要的离散型随机变量的分布,可以用泊松分布和正态分布作为其近似分布,通过对两种近似分布进行比较分析,结果表明：在参数q很小时,泊松近似的精度好于正态近似,而且在参数q很小时,即便r不是很大,用泊松分布也能获得负二项分布较好的近似;当参数q较大时,泊松近似效果不好,相比之下,正态近似的结果不错。     

基于贝叶斯方法的比例数据分位数推断及其应用

为了尝试使用贝叶斯方法研究比例数据的分位数回归统计推断问题,首先基于Tobit模型给出了分位数回归建模方法,然后通过选取合适的先验分布得到了贝叶斯层次模型,进而给出了各参数的后验分布并用于Gibbs抽样。数值模拟分析验证了所提出的贝叶斯推断方法对于比例数据分析的有效性。最后,将贝叶斯方法应用于美国加州海洛因吸毒数据,在不同的分位数水平下揭示了吸毒频率的影响因素。     

不同先验分布制程能力指数的贝叶斯估计

制程能力指数（PCIs）是衡量制程能力与绩效的重要指标,目前已有许多文献基于经典概率论对制程能力指数的点估计或置信区间进行了研究。文章采用贝叶斯方法进行PCIs的点估计与区间估计,首先假设无信息先验分布时,推导μ≠T时Cpm^2的贝叶斯估计以及μ=m时Cpmk^2的贝叶斯估计;然后分别对服从共轭先验分布、威布尔故障先验分布的PCIs的贝叶斯估计进行了研究;最后采用算例验证了本文提出的贝叶斯估计方法的有效性。     

VaR模型后验测试的贝叶斯方法

本文提出了VaR模型后验测试的贝叶斯方法.以二项分布为参数统计模型,选取Beta分布为先验分布,给出了超参数的矩估计法.对于VaR模型的准确性检验,得到了贝叶斯因子和后验机会比的表达式.通过一个投资组合的实证分析,验证了本文所提方法的可行性与合理性.     

地震死亡人数预测与巨灾保险基金测算

巨灾保险制度在很大程度上依赖于巨灾损失的建模分析。由于巨灾损失通常存在极端值,一般的统计分布很难对其进行有效拟合。本文以我国大陆地区1950-2015年期间的地震灾害为研究样本,基于二维泊松过程建立了地震灾害死亡人数的预测模型。根据地震死亡人数的分布特征,将地震灾害分为非巨灾事件和巨灾事件,分别用右截断的负二项分布和右截断的广义帕累托分布拟合死亡人数;用齐次泊松过程描述地震灾害在给定期间的发生次数;用Panjer迭代法和快速傅里叶变换计算地震死亡人数在特定时期的分布以及风险度量值;用蒙特卡罗模拟法测算我国地震死亡保险基金的规模和纯保费水平。与传统的巨灾模型相比,本文提出的方法同时考虑了地震灾害发生的时间和地震死亡人数两个维度,并用贝叶斯方法估计模型参数,对地震死亡人数的拟合更加合理,为完善我国地震死亡保险提供了一种新的思路。     

小样本下贝叶斯参数估计法对操作风险的度量

操作风险损失事件的数据一般较为匮乏,这会影响到模型参数估计的准确性,进而导致经济资本配置的偏差和风险控制能力的降低。在损失分布法的框架下,运用基于MCMC模拟的贝叶斯方法,借助WinBUGS软件包通过Gibbs抽样构造出负二项分布和帕累托分布的稳态马尔可夫链,以分别动态模拟操作风险损失频率和强度的后验分布,计算出操作风险所要求的经济资本。对比极大似然估计法,实证结果表明,在小样本条件下此方法可以取得较好的结果。     

基于客户服务监控信息的配送决策

本文在客户监控信息的基础上,提出对原信息进行处理,使原信息成为0-1分布的信息样本,即符合Bernoulli过程.然后在贝叶斯推断原理的基础上,进行假设条件的设定,最后建立贝叶斯推断模型对客户监控的信息进行推断分析,并通过一个算例进行模型推断,最终使客户服务监控信息转化成为配送作业管理的决策信息,帮助配送中心管理者对配送作业进行决策.     

贝叶斯统计推断及其主要进展

贝叶斯统计推断作为现代统计分析方法的重要内容,对于统计学理论的发展具有里程碑的作用。深入总结其研究的主要进展,具有重要的现实意义。在查阅国内外重要学术研究资料的基础上,从贝叶斯统计推断的思想、与古典统计的研究思路比较和贝叶斯统计推断研究的主要进展三个方面作了综述与介绍,力图达到认识贝叶斯统计推断及其研究现状的目的。     

超出损失保险的纯保费估计和风险度量

文章引入负二项分布作为保单组合的索赔次数的分布，全Paretian分布作为索赔额的分布，研究了超出损失保险保单组合的纯保费的估计方法，导出了最大可能损失的估计式，并利用火灾保险索赔数据进行了实证分析。     

贝叶斯疾病制图的研究进展

疾病制图用于总结风险的空间和时间变异,为医疗资源配置及研究疾病病因提供了空间与时空视角.近年来,利用空间统计方法绘制疾病地图逐渐成为研究热点之一,其中以贝叶斯统计为基础的方法占据了研究的主体.文章旨在比较疾病制图中常用的经验贝叶斯与全贝叶斯方法并对贝叶斯疾病制图的研究进展进行梳理,为相关研究提供参考.     

贝叶斯推断在抽样审计中的应用研究

本文探讨了贝叶斯推断在抽样审计中的具体运用,并结合一个具体的实例对贝叶斯推断在抽样审计的应用做了实证分析,最后,对贝叶斯推断在抽样审计中的运用进行了评析。     

贝叶斯分位数回归组间组内变量选择及其应用

文章利用贝叶斯方法研究分位数回归的组间和组内双变量选择问题。基于偏态拉普拉斯分布和贝叶斯统计推断方法,结合组间和组内系数的Spike-and-Slab先验分布,提出了分位数回归的贝叶斯双层变量选择方法,并给出易于实施的Gibbs后验抽样算法。通过大量数值模拟和实证分析验证了所提变量选择方法的有效性。     

基于正态-Gamma共轭先验分布的贝叶斯AR(p)预测模型

本文系统地分析了AR(P)时间序列模型的数学模型及其条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-Gamma先验分布情况下模型的贝叶斯推断理论,包括模型自回归系数和精度参数后验分布的统计推断、二次损失函数下参数的贝叶斯估计;同时,从统计数学方法上严格地证明了一步超前预测模型的预报分布为t分布.     

贝叶斯统计学

在国外,大约从本世纪二十或三十年代开始,出现了一个新的统计学派——贝叶斯统计学派(以下简称贝叶斯学派)。他们提出了一种新的统计理论,这种理论认为,在推断总体时,不仅应利用样本信息,而且还可利用主观信息。人们把这一理论称为贝叶斯理论。     

广义线性混合模型及其在非寿险信度费率厘定中的应用

近年来,国内外精算学者开始将广义线性混合模型用于信度模型费率厘定中,但他们对因变量的推广仅仅推广到负二项分布。在前人的研究基础上,将因变量进一步推广到负二项K、广义泊松、双泊松等分布,然后用极大似然估计中的限制性虚拟似然法和自适应高斯求积法对参数进行估计,最后用美国劳工补偿保险进行实证分析。结果表明:负二项K(K=1.947)广义线性混合模型对数据拟合效果最好,其次为负二项1、负二项2、双泊松、广义泊松和泊松广义线性混合模型。