2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩83頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、本文主要研究Erlang混合分布的估計(jì)和統(tǒng)計(jì)性質(zhì),其密度函數(shù)是h(x;α,γ,θ)=m∑ j=1αjxγj-1e-x/θ/θγj(γj-1)!,x>0,其中α=(α1,…,αm)是混合權(quán)重系數(shù),γj是Erlang分布的整數(shù)形狀參數(shù),θ>0是尺度參數(shù)。
  Erlang混合模型主要應(yīng)用于金融、保險(xiǎn)領(lǐng)域,在保險(xiǎn)破產(chǎn)理論和保險(xiǎn)損失數(shù)據(jù)的擬合中都有重要應(yīng)用,模型適合分析保險(xiǎn)數(shù)據(jù)的異質(zhì)性,同時(shí)對(duì)于保險(xiǎn)人關(guān)心的指標(biāo)有顯式解析式。Willmot

2、&Woo[67]給出Erlang混合模型在破產(chǎn)理論中的應(yīng)用,當(dāng)投保人的損失額服從Erlang混合分布時(shí),有限、無限時(shí)間破產(chǎn)概率,隨機(jī)破產(chǎn)時(shí)刻的拉普拉斯變換等都有顯式解析式。類似的研究可以參閱[7,41,47,63]等文獻(xiàn)。Lee&Lin[43]給出Erlang混合模型在保險(xiǎn)損失擬合中的應(yīng)用,計(jì)算了常見的風(fēng)險(xiǎn)度量指標(biāo)Value-at-risk(VaR)和tail VaR(TVaR); Verbelen[64]等在Erlang混合模型中引入

3、雙邊截?cái)啵@方面的研究還有[23,64,65]等文獻(xiàn)。
  混合模型的線性結(jié)構(gòu)很好的刻畫了異質(zhì)性,但是產(chǎn)生了不可回避的問題:混合數(shù)(序)的確定。很多學(xué)者討論過正態(tài)混合模型序的確定,主要包括最小距離法[15,38],假設(shè)檢驗(yàn)法[17,18,25,26],懲罰似然法[1,16,40,58]等。Erlang混合模型序確定的文獻(xiàn)比較少,Lee&Lin[43]和Verbelen[64]都采用傳統(tǒng)的BIC來確定,但是并沒有給出BIC在Erla

4、ng混合分布中統(tǒng)計(jì)性質(zhì)的說明。
  混合模型的線性結(jié)構(gòu)與線性回歸的結(jié)構(gòu)很相似,F(xiàn)an&Li[31]提出應(yīng)用于線性回歸模型的SCAD懲罰函數(shù),SCAD通過懲罰回歸系數(shù),同時(shí)實(shí)現(xiàn)了變量的選擇和回歸系數(shù)的估計(jì)。受Fan&Li[31]的啟發(fā),本文提出一種新的懲罰函數(shù),命名為iSCAD,將其應(yīng)用于Erlang混合模型,通過懲罰權(quán)重參數(shù),運(yùn)用EM算法,給出了混合模型的權(quán)重參數(shù)的閾值式估計(jì)(π)(k+1)j=(q)(k)jI((q)(k)j>a

5、λ)+M/λ((q)(k)j-λ)+I((q)(k)j≤aλ)同時(shí)實(shí)現(xiàn)了參數(shù)的估計(jì)和模型序的確定,而且估計(jì)量滿足稀疏性、連續(xù)性和無偏性,即關(guān)于零鄰域內(nèi)的權(quán)重參數(shù)的估計(jì)具有稀疏性,遠(yuǎn)離零的權(quán)重參數(shù)的估計(jì)具有無偏性,估計(jì)關(guān)于樣本是連續(xù)的。
  本文第二章給出參數(shù)估計(jì)量統(tǒng)計(jì)性質(zhì)的證明,借鑒Wald[66]的證明,基于一些必要的引理,定理2.4.6證明了極大懲罰似然函數(shù)的估計(jì)滿足一致性,推論2.4.8證明了混合模型序估計(jì)的一致性。第三章針

6、對(duì)左截?cái)酁閘的Erlang混合分布,詳細(xì)闡述如何利用EM算法來估計(jì)混合權(quán)重參數(shù)和Erlang分布共用的尺度參數(shù)。本章進(jìn)行兩個(gè)模擬實(shí)驗(yàn),同時(shí)將模型應(yīng)用于實(shí)際保險(xiǎn)損失數(shù)據(jù),結(jié)果說明本文建議的方法比傳統(tǒng)的BIC方法更有效,驗(yàn)證了模型和算法的有效性。
  本文關(guān)于模型的選擇是通過刪除小權(quán)重的分量模型來實(shí)現(xiàn)。保險(xiǎn)數(shù)據(jù)的尾部是大額且稀疏的,其相應(yīng)的權(quán)重很小但不可刪除。為克服這個(gè)缺陷,第四章引入極值分布,用于擬合大于閾值μ的尾部數(shù)據(jù),建立了Er

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論