三参数广义帕累托分布似然矩估计.pdfVIP

数 学 年 刊 2013，34A(3)：299—312 三 参数 广义 帕 累托分 布 的似然矩 估 计术 王 芳 门 慧2 提要 广义帕累托分布 (GPD)在极值统计的POT模型中常常被用来逼近超过阈值-“的超出量 —u 的分布．为解决经典估计方法存在的问题， Zhang(ZhangJ，Likelihoodmomentestimationfor thegeneralizedParetodistribution，AustNZJStar，2007，49：69—77)对两参数GPD (GP2)提 出一种新的估计方法—— 似然矩估计 (LM)，它容易计算且具有较高的渐近有效性．本文将此方法从 两参数的情形推广到三参数 GPD (GP3)，结果表明尺度参数和形状参数估计的渐近性质与以上所提 到的文章完全相同．针对 GP3的 LM估计也具有总是存在、易于计算以及对绝大多数的形状参数具 有接近于最小的偏差和均方误差的特点． 关键词 广义帕累托分布，似然矩估计，渐近分布，极值数据 MR (2000)主题分类 62E20，62F12 中图法分类 O212．1 文献标志码 A 文章编号 1000—8314(2013)03—0299—14 1 引 言 广义帕累托分布 (GeneralizedParetoDistribution，简称GPD)由Pickands[，Balkema 和 deHaan[2]引入，在 POT (Peaks—over—Threshold)模型3[】中被用来逼近超过阈值 札的 超出量 Xt—it的分布． POT模型常常对保险中的大索赔额 [引、水文中的高浪[ ]等 极值数据进行建模． 三参数 GPD (GP3)的分布函数为 I1～f1一 1，k≠0， ()={【 (1．1) 一 p (一 )，_o_ 其中 盯0是尺度参数， k是形状参数， a是位置参数．当 k≤0时， aX∞； 当k0时，aXa+詈．当n=0时，GP3变成含形状参数 和尺度参数 的两参 数GPD(GP2)． 对 GP2中的参数 (k，盯)的一些常用的估计方法包括极大似然估计 (MLE)[ ]，矩估 计 (MOM)[加J和概率权矩估计 (PWM)[¨】等．更多的估计方法以及各种估计方法的优缺 点参见文 [1213]的综述文章．在最新的综述文章 [14]中，通过选择不同的样本容量和形 状参数k，运用蒙特卡洛模拟的方法，作者比较了包括MLE，MOM，PWM在内的众多估 计．他们发现 Zhang[15]提出的似然矩估计 (Likelihood—Moment，简称LM)总是存在、易 于计算，而且对多数样本容量和形状参数的组合都接近于具有最小的偏差和方差，因此 文 f141推荐在样本容量低于 500时使用 LM估计． LM方法的运用依赖于调谐参数 r， 本文2012年 2月21日收到， 2012年 10月26日收到修改稿． 首都师范大学数学科学学院，北京 100048．E—mail：fang72一wang~126．com 北京潭柘寺中学，北京 102308．E-mail：menhui712@126．com 本文受到国家自然科学基金 (NoNo和北京市教育委员会 (No．KM200910028003 No．KM201110028003)的资助． 数 学 年 刊 34卷A辑 r=一1的特殊情形恰是Hiisler等 [16]提出的新估计，这一点作者在文中已指出．运用不 同的方法，Hiisler等 [16]给出新估计的大样本性质，并且通过模拟发现新估计有较小的 偏差和均方误差． 若不事先选定阈值 ，GP3是一合适的拟合超出量的分布族 [17]．对GP3参数的估计 包括MOM，PWM，MLE，最小二乘估计 (LeastSquaresMethod，简称Ls)[ 。]和最大熵 原理 (PrincipleofMaximum