从表中可以看出,如果模拟数据是GPD、Student\'st和N(0,1),那么对于β的所有值,我们都接受零假设,如果模拟数据是GARCH(1,1)模型,我们拒绝β=10、20和10 0的较高值。这种拒绝可能是由于假设独立的零假设的一部分,因为数据生成机制导致依赖数据a.8结论。在本文中,我们讨论了SRM及其与失真风险度量的等价关系。我们讨论了SRM的两种基于核的估计量,即基于常规核df的^ρbd和基于Swanepoel和Van Graan(2005)df估计量的ρDis。我们推导了SRM的两种基于核的估计量的渐近性质,这两种估计量的形式都是L统计量。渐近ic结果基于i.i.d.情况和平稳过程。基于核的目标函数具有强一致性和渐近正态分布。我们还导出了通常核df和Swanepoel及Van Graan(2005)df估计量的某些几乎确定的“近似线性”界,这在建立SRM基于核的估计量的强一致性方面起着重要作用。通过仿真研究,我们发现DRM中带宽的选择、βinSRM的选择和θ的选择起着重要的作用。我们观察到,我们提出的估计量ρdout表现出经验估计量和核估计量ρbd和ρQD。但对于较高的β值和小样本,对于模型(iii),ρbd优于所有估计量。此外,我们还将我们提出的基于PO distortion函数的核估计ρPODθ与empi-ri calestimatorρPODθ的核估计ρPODθ进行了比较,发现在模拟研究中考虑的所有模型、θ的所有值和样本量的情况下,EρPODθ都优于ρPODθ。
|