请教:参数估计标准差太大,估计值不理想,如何处理? 关于极值理论POT模型参数估计,即估计广义帕累托分布(GPD)参数,方法采用贝叶斯估计。Openbugs(Winbugs)程序如下: model { for(i in 1 : N ) { x ~ dgpar(mu,tau,eta) }
#Prior distributions of the model parameters
# Gamma Prior eta~ dpar(0.001, 0.001) tau~ dgamma(0.001,0.001)
} list(N=30,mu=62,x=c(63.3,67,75,77,80,90,100,100,100,100,100,103,120,136,140,145,150,150,190,270,300,300,400,400,500,700,800,827,1825,2400)) list(tau=1,eta=0.4) 运行结果 mean sd MC_error val2.5pc median val97.5pc start sample eta 0.897 0.3875 0.002003 0.2862 0.8464 1.796 20000 80001 tau 106.9 41.31 0.2351 46.51 100.3 206.5 20000 80001 可见:参数tau标准差为41.31,eta标准差0.3875,都很大。 另外,我对数据用matlab拟合广义帕累托分布,得到参数估计(最大似然法)的标准差也很大。我本意是希望贝叶斯估计比最大似然估计效果要好些,结果均不理想。 问题: 1.程序是否正确?利用该方法,结果如何改进? 2.想用Bootstrap方法结合贝叶斯估计,或单独用Bootstrap方法进行参数估计,我没弄过。 3.其他能改进结果的简单方法。 以上需要求解过程及结果。 4.用POT求VaR值较损失分布法小,相差悬殊。原因是阀值选择不正确,还是其他原因?
|