GPD参数的拟共轭贝叶斯估计及其在重尾建模中的应用
统计方法学
2011-04-01 v1
摘要
我们在超阈值框架内提出了一种拟共轭贝叶斯方法，用于估计广义帕累托分布(GPD)参数、分布尾部以及极端分位数。将Gamma分布上的Damsleth共轭贝叶斯结构转移到GPD上。然后通过带有Hastings-Metropolis步骤的Gibbs采样器计算后验估计。还定义了准确的贝叶斯置信区间，为极端事件估计的质量提供了评估。本文使用了经验贝叶斯方法，但所建议的方法可以纳入先验信息。研究表明，在模拟和真实数据集上，所获得的拟共轭贝叶斯估计量与GPD标准估计量相比表现良好。
引用
@article{arxiv.1103.6216,
title = {Quasi-conjugate Bayes estimates for GPD parameters and application to heavy tails modelling},
author = {Jean Diebolt and Mhamed El-Aroui and Myriam Garrido and Stéphane Girard},
journal= {arXiv preprint arXiv:1103.6216},
year = {2011}
}