CHAPTER 02 / 2.3 超越阈值建模 / 2.3.4
Hill 估计
用最大的 k 个观测估计尾部指数,并权衡偏差与方差。
Hill 图: 随 的变化
尾部指数估计本次样本的
选择 k
用最大的 个观测估计尾部指数
2999
对数—对数图:Hill 估计就是尾部直线的斜率
(对数刻度)经验生存函数 真实 斜率 的直线()
当前
1.6735
0.5975
阈值 1.9946
真实 2
红线从第 大的观测 出发,以斜率 向右延伸:。
小时只用到极少的尾部观测,估计波动大; 大时把非尾部的观测也算进来, 系统地偏离真实值。在 Hill 图中寻找比较平稳的区间来选 。
与 2.3.2 连起来
在 2.3.2 中查看这组数据 →对超越阈值的数据画 Hill 图,与 GPD 的 比较
与 2.3.2 使用同一个数据生成器:相同的来源、年数、阈值与随机种子给出同一份日数据。课件对超额 调用 evir::hill(exceed);这里同时对原始尺度上超过 的观测 计算 Hill 估计,二者用的是同一批日子。纵轴为 ,便于与 GPD 比较。
模拟数据来源
观测年数(每年 365 天)
0.80.995
个超额上的 Hill 图:
形状估计Hill:超额 (课件做法)Hill:超过 的原始观测 GPD 极大似然 真实极限
2365
Hill :超额 0.567
Hill :原始 0.31
GPD ()0.304
真实极限 0.25
两条 Hill 曲线估计的是同一个尾部指数,但对超额 的估计随 上升得很快: 越接近 0, 越小, 被拉大。只在较小的 上,它才接近 GPD 的 。对原始观测 的 Hill 曲线平稳得多,与 GPD 的 相近时,可以印证阈值与 的选择;但 Lomax 这类只在远端近似幂律的分布( 与 相比不够大),平台本身也会偏离真实值。
Hill 估计量展开阅读
页面的横轴 表示用到的最大观测个数(与 evir::hill 的横轴一致): 是最大 个观测的对数与第 大观测的对数之差的平均。
若 ,则在阈值 之上, 近似服从均值为 的指数分布,Hill 估计量就是这个均值的样本版本。这也是它对应“对数—对数图上尾部直线斜率”的原因。
Hill 估计量只适用于 的重尾,并且对平移敏感: 与 的尾部指数相同,但有限样本下的 不同。GPD 的极大似然估计直接为超额建模,可以给出任意符号的 。两种方法互相印证:Hill 图的平台与 GPD 的 接近时,对尾部形状的判断更可靠。