平衡损失函数下广义Pareto分布参数的Bayes估计的可容许性.docVIP

平衡损失函数下广义Pareto分布参数的Bayes估计的可容许性 　　【摘 要】 对于一个参数进行估计来讲，不仅要考虑估计的精度，还要考虑所得到的估计对于模型拟合的优良程度.通常的损失函数无能为力，而平衡损失函数可以考虑到这两点，本文将在平衡误差损失函数下研究广义Pareto分布参数的Bayes估计问题.在平衡损失函数下导出了参数的Bayes估计并讨论了一类线性形式估计的可容许性和不可容许性。 　　【关键词】 广义Pareto分布 Bayes估计 平衡损失函数 　　1 引言 　　广义Pareto分布（GPD）是由Piekands[1]首次提出的，并指出GPD可广泛地应用于金融、保险、自然灾害等领域。关于GPD的统计推断问题吸引了很多学者的关注和研究。文献[2]建立了基于Bootstrap仿真的广义Pareto经营现金流风险（CFaR）模型，在广义Pareto分布的框架下运用基于Bootstrap仿真得到现金流风险价值，以克服广义Pareto分布的小样本造成的估计误差，提高分析的可信度，并改进了广义Pareto模型的不足。将该模型用于中国房地产上市公司现金流风险价值估计，得到了满意的结果；文献[3]对以前学者提出的最大似然估计法、矩估计法、概率加权矩估计法以及广义概率加权矩估计法进行回顾总结，发现这些方法在形状参数为正值时，广义Pareto分布参数常有一个上界值。特别是在处理洪水数据时，这种情况常出现，以往的方法得到的估计值常高出这个上限值，于是其利用MonteCarlo数值模拟对几类估计方法进行比较，进而提出了一些建议；文献[4]基于逐步递增的II型截尾样本研究了广义Pareto分布模型的拟合优度检验以及一些基本性质，如矩、特征函数等；文献[5]基于上记录值样本讨论了广义Pareto分布的各类特征。 　　两参数GPD的分布函数定义为[6]： 　　这里。且当时，； 　　当时， 　　本文接下来的研究中只考虑参数的情况。 　　令，则此时两参数GPD分布变为： 　　其中为参数。 　　大部分估计问题是从估计的精度来考虑估计的优良性进行研究的，如在平方损失和LINEX损失等损失函数下，没有考虑模型拟合的优良程度。Zellner[7]提出了一类既考虑估计的精度又考虑模型拟合的优良程度的损失函数，称之为平衡损失函数。在平衡损失函数下，文献[8，9]分别研究了正态分布和指数分布参数的Bayes估计和一类线性估计可容许性和不可容许性。 　　本文将在平衡损失函数下，研究两参数GPD分布（1）参数的Bayes估计和一类线性形式的估计的可容许性和不可容许性问题。 　　2 一些引理 　　以下均设：设为来自总体服从GPD（1）的简单随机样本，，其中，。则有并记为的样本观察值。 　　本文所考虑的平衡损失函数为： 　　引理1在给定损失函数（2）下，对于任意的先验分布，的唯一的Bayes估计为： 　　并且也为可容许性估计。 　　3 Bayes估计 　　定理1对于广义Pareto分布模型（1），设参数的先验分布为倒伽玛分布，即其密度函数为，则的唯一的Bayes估计为： 　　证明由于两参数GPD分布函数为： 　　则相应的概率密度函数为： 　　给定下，参数的似然函数为： 　　其中为的样本观测值。 　　由（Bayes定理，参数的后验概率密度函数为： 　　则参数的后验分布为逆伽玛分布。从而有。 　　又由引理1知的Bayes估计为： 　　定理2设为来自GPD（1）的简单随机样本，则在平衡损失函数（2）下，线性估计的风险函数为： 　　证类似于文献[9]，略。 　　3 估计量的容许性。 　　由第2部分可以看出，在适当的倒伽玛先验分布下，参数的估计量都有形式，而形如的这一类估计的可容许性与c和d的取值有关。下面对c和d的不同取值情况分别进行讨论。以下令 　　定理3当时，估计量是可容许的。 　　证明在定理1中，我们证明了在损失函数（2）下的Bayes估计： 　　此时，先验分布密度函数为 　　当时，则令 　　一定存在，事实上只需取 　　就可以使上面的等式成立。由于在引理1，引理2中我们已经证明了此时的Bayes估计是唯一，故此时估计量是可容许的。 　　定理4只要下列条件之一成立，估计是不可容许的。 　　证明（i）由有，于是 　　则优于，故时，估计是不可容许的。 　　（ii）由于 　　在条件（ii）下，上式大于0，从而在时，为关于单增函数，于是得到优于，（ii）得证。 　　（iii）易证优于，事实上 　　（因） 　　4 结语 　　在平衡误差损失函数下研究了两参数广义Pareto分布参数的Bayes估计问题.给出了参数的Bayes估计，并讨论了一类线性形式估计的可容许性以及不可容许性问题.本文主要是在