[论文解读] Comparison of Weibull Tail-Coefficient Estimators

Laurent Gardès, Stéphane Girard|arXiv (Cornell University)|Apr 5, 2011

Financial Risk and Volatility Modeling参考文献 18被引用 6

一句话总结

本文提出了一类统一的 Weibull 尾部系数 θ 的估计量，基于极值顺序统计量的对数间距，并在二阶条件下建立了其渐近正态性。主要贡献在于对渐近均方误差（AMSE）的比较分析，表明该族中某些成员——尤其是那些最小化偏差的成员——在第二阶参数 ρ 接近零时，优于现有估计量（如文献 [12] 中的估计量）。

ABSTRACT

We address the problem of estimating the Weibull tail-coefficient which is the regular variation exponent of the inverse failure rate function. We propose a family of estimators of this coefficient and an associate extreme quantile estimator. Their asymptotic normality are established and their asymptotic mean-square errors are compared. The results are illustrated on some finite sample situations.

研究动机与目标

• 开发一类用于描述逆失效函数正则变化的 Weibull 尾部系数 θ 的通用估计量家族。
• 在二阶正则变化条件下，建立所提估计量的渐近正态性。
• 通过比较该族内不同估计量的渐近均方误差（AMSE），识别出最优选择。
• 基于尾部系数估计量推导相应的极值分位数估计量，并建立其渐近性质。
• 证明所提出的族在较弱的正则性条件下包含了且改进了现有估计量，如文献 [12] 中的估计量。

提出的方法

• 提出一族估计量，定义为 $\hat{\theta}_n = \frac{1}{T_n} \frac{1}{k_n} \sum_{i=1}^{k_n} (\log X_{n-i+1,n} - \log X_{n-k_n+1,n})$，其中 $T_n$ 和 $k_n$ 为调参序列。
• 利用涉及慢变函数 $\ell$ 和二阶参数 $\rho \leq 0$ 的二阶条件 (A.2)，以控制收敛速度。
• 推导 $k_n^{1/2}(\hat{\theta}_n - \theta)$ 的渐近展开，表明偏差来源于 $b(\log(n/k_n))$ 和 $\theta a_n$，其中 $a_n = \mu_0(\log(n/k_n))/T_n - 1$。
• 在 $k_n \to \infty$，$k_n/n \to 0$，$T_n \log(n/k_n) \to 1$，且 $k_n^{1/2} b(\log(n/k_n)) \to \lambda$ 的条件下，通过对数间距差的中心极限定理，建立 $\hat{\theta}_n$ 的渐近正态性。
• 推导极值分位数估计量 $\hat{x}_{p_n} = X_{n-k_n+1,n} \tau_n^{\hat{\theta}_n}$，其中 $\tau_n = \log(1/p_n)/\log(n/k_n)$，并利用文献 [10] 的结果证明其渐近正态性。
• 通过分析偏差项 $\theta a_n$ 和 $b(\log(n/k_n))$，比较不同估计量的 AMSE，表明 AMSE 取决于 $a_n$ 与 $b$ 之间的相互作用。

实验结果

研究问题

• RQ1 所提出的 Weibull 尾部系数估计量族在渐近均方误差（AMSE）方面与现有估计量相比如何？
• RQ2 所提估计量的渐近正态性在何种条件下成立？偏差与方差分量如何影响性能？
• RQ3 所提估计量族中哪些成员的 AMSE 最小？它们如何依赖于二阶参数 $\rho$？
• RQ4 能否证明由尾部系数估计量导出的极值分位数估计量 $\hat{x}_{p_n}$ 是渐近正态的？其成立条件是什么？
• RQ5 选择 $T_n$ 和 $k_n$ 如何影响估计量的偏差与效率，特别是在 $b(\log(n/k_n))$ 非零或慢变时？

主要发现

• 在二阶条件 (A.2) 下，$\hat{\theta}_n$ 的渐近正态性得以建立，满足 $k_n^{1/2}(\hat{\theta}_n - \theta - b(\log(n/k_n)) - \theta a_n) \xrightarrow{d} \mathcal{N}(0, \theta^2)$。
• 估计量 $\hat{\theta}_n$ 的 AMSE 表达式为 $AMSE = (\theta a_n + b(\log(n/k_n)))^2 + \theta^2 / k_n$，表明该族中所有成员具有相同的方差但偏差不同。
• 当 $b$ 最终非正时，估计量 $\hat{\theta}_n^{(3)}$（其中 $T_n = \mu_0(\log(n/k_n))$）的 AMSE 低于 $\hat{\theta}_n^{(1)}$，这是由于其负偏差校正。
• 文献 [12] 中的估计量 $\hat{\theta}_n^{(2)}$ 在比以往已知更弱的条件下被证明是渐近正态的，其 AMSE 通过显式偏差项与其他估计量进行了比较。
• 当 $b$ 最终非零且为正则变函数时，若 $b$ 为正，则 $\hat{\theta}_n^{(2)}$ 的 AMSE 高于 $\hat{\theta}_n^{(1)}$；若 $b$ 为负，则其 AMSE 更低。
• 极值分位数估计量 $\hat{x}_{p_n}$ 是渐近正态的，其极限分布由 $\hat{\theta}_n$ 决定，条件为 $\log(\tau_n) \log(n/k_n) \to \infty$，该条件在 $p_n < 1/n$ 时成立。