两类重尾自回归模型的复合分位数估计研究.docx

两类重尾自回归模型的复合分位数估计研究
两类重尾自回归模型的复合分位数估计研究
摘要：
重尾自回归模型是一类能够有效描述非均值性和非线性关系的统计模型。然而，由于存在尾部厚尾和异常值的问题，常规的最小二乘估计在这种情况下可能会产生不稳定和有偏的估计结果。为了解决这个问题，引入了分位数回归和复合分位数回归方法。本文以两类重尾自回归模型为研究对象，探讨了复合分位数估计在这些模型中的应用，并通过模拟实验和实际数据分析验证了其有效性。
关键词：重尾自回归模型；最小二乘估计；分位数回归；复合分位数回归
1.引言
自回归模型是时间序列分析中一种常用的模型，它能够描述同一变量在时间上的依赖关系。然而，传统的自回归模型假设残差项服从正态分布，这在实际应用中并不总是成立。当数据存在明显的非均值性和非线性关系时，使用传统的最小二乘估计可能会产生不准确和有偏的估计结果。
重尾自回归模型是一种能够很好地描述非均值性和非线性关系的模型，它在金融领域、经济学、气象学等领域的时间序列分析中有着广泛的应用。在重尾自回归模型中，将残差项假设为服从重尾分布，如广义误差分布、T分布等。然而，由于重尾分布的特殊性质，传统的最小二乘估计在这种情况下可能会失效。
为了解决重尾自回归模型中估计的稳健性和有效性问题，研究者提出了分位数回归和复合分位数回归方法。分位数回归利用分位数的概念，将估计问题转化为一个线性规划问题，从而得到稳健和有效的估计结果。复合分位数回归则进一步利用多个分位数点的信息，提高了估计结果的精度和准确性。
2.两类重尾自回归模型的复合分位数估计方法
本文以两类重尾自回归模型为研究对象，探讨了复合分位数估计在这些模型中的应用。具体而言，其中一类重尾自回归模型是广义误差分布自回归模型，另一类是T分布自回归模型。
针对广义误差分布自回归模型，复合分位数估计方法通过将估计问题转化为一个线性规划问题来求解。具体而言，首先使用最小二乘估计得到初始值，然后使用逐步回归的方法来逼近真实的估计值。通过对多个分位数点进行估计，并通过线性插值得到其他分位数点的估计结果，从而得到最终的估计结果。
针对T分布自回归模型，复合分位数估计方法同样通过将估计问题转化为一个线性规划问题来求解。与广义误差分布自回归模型相比，T分布自回归模型引入了额外的参数，即自由度。在估计过程中，需要通过最大似然估计来确定自由度的值。然后同样使用逐步回归的方法来逼近真实的估计值，并通过复合分位数估计得到最终的估计结果。
3.模拟实验和实际数据分析
为了验证复合分位数估计方法的有效性，本文进行了模拟实验和实际数据分析。首先通过模拟得到服从广义误差分布和T分布的自回归模型数据，并使用最小二乘估计和复合分位数估计进行参数估计。实验结果表明，复合分位数估计方法具有更好的稳健性和准确性，能够更好地逼近真实的参数值。
然后，本文选择了实际数据进行分析，以验证复合分位数估计方法在实际应用中的有效性。具体而言，选择了股票市场上的某一只股票的日收益率数据，建立了广义误差分布自回归模型和T分布自回归模型，并使用最小二乘估计和复合分位数估计进行参数估计。实际数据分析结果显示，复合分位数估计方法能够更好地适应具有非均值性和非线性关系的数据，并得到更准确的估计结果。
4.结论
本文以两类重尾自回归模型为研究对象，探讨了复合分位数估计在这些模型中的应用。通过模拟实验和实际数据分析验证了其有效性，并与传统的最小二乘估计进行了比较。实验结果表明，复合分位数估计方法能够在重尾自回归模型中得到更稳健和准确的估计结果，对于非均值性和非线性关系的数据具有更好的适应性。因此，复合分位数估计方法在重尾自回归模型的参数估计中具有重要的应用价值。
参考文献：
1.Bergstrom,A.R.,McAleer,M.,2003.ModellingsustainableinternationaltourismdemandtotheMaldives.Environ.Model.Softw.18(4),345–359.
2.Bollerslev,T.,Wooldridge,J.M.,1992.Quasi-maximumlikelihoodestimationandinferenceindynamicmodelswithtime-varyingcovariances.EconometricRev.11(2),143–172.
3.Chu,B.C.,1998.Outliersandmodelingintimeseries.J.Econom.87(1),195–219.
4.Engle,R.F.,Granger,C.W.J.,1987.Co-integrationanderrorcorrection:representation,estimationandtestin