文件名称：帕累托指数的稳健估计：蒙特卡罗分析-研究论文
文件大小：1.09MB
文件格式：PDF
更新时间：2024-06-30 01:36:00
Pareto distribution Pareto
帕累托分布经常用于经济学的许多领域来模拟重尾分布的右尾。 然而，估计此分布的形状参数（帕累托指数）的标准方法——最大似然估计量 (MLE)——是非稳健的，因为它对极端观察、数据污染或模型偏差非常敏感。 近年来，人们提出了许多帕累托指数的稳健估计量，弥补了 MLE 的不足。 然而，关于这些估计器在小样本设置中的性能知之甚少，这在实践中经常发生。 本文研究了最流行的帕累托指数稳健估计量的小样本属性，包括最优 B 稳健估计量 (OBRE)（Victoria-Feser 和 Ronchetti，1994，加拿大统计杂志 22：247-258），加权最大似然估计量 (WMLE) (Dupuis and Victoria-Feser, 2006, Canadian Journal of Statistics 34:639-658)，广义中值估计量 (GME) (Brazauskas and Serfling, 2001a, Extremes 3, 231-249)，部分密度分量估计器 (PDCE)（Vandewalle 等人，2007 年，计算统计和数据分析 51：6252-6268）和概率积分变换统计量估计器 (PITSE)（Finkelstein 等人，2006 年，北美精算杂志） 10, 1-10)。 Monte Carlo 模拟表明，PITSE 在易用性和强大功能之间提供了理想的折衷方案，以防止小样本设置中的异常值。