POT超阈值模型和极值理论EVT分析|附代码数据
全文链接：http://tecdat.cn/?p=16845
最近我们被客户要求撰写关于极值理论的研究报告，包括一些图形和统计输出。
本文依靠EVT对任何连续分布的尾部建模。尾部建模，尤其是POT建模，对于许多金融和环境应用至关重要
POT模型其主要动机是为高洪水流量的概率模型提供实用工具。但是，EVT的优势在于结果不取决于要建模的过程。因此，人们可以使用POT来分析降水，洪水，金融时间序列，地震等。
特征
POT软件包可以执行单变量和双变量极值分析；一阶马尔可夫链也可以考虑。例如，目前使用18个 估算器拟合（单变量）GPD 。这些估算器依靠三种不同的技术：
极大似然：MLE，LME，MPLE
动量法：MOM，PWM，MED
距离最小化：MDPD和MGF估计器。
与单变量情况相反，没有用于对超过阈值的双变量超出进行建模的有限参数化。POT允许对双变量GPD进行6种参数化：对数模型，负对数模型和混合模型-以及它们各自的不对称版本。
最后，可以使用二元GPD拟合一阶马尔可夫链，以实现两个连续观测值的联合分布。
在本节中，我们明确介绍了软件包中一些最有用的功能。但是，对于完整的描述，用户可能希望查看软件包的小插图和软件包的html帮助。
GPD 计算:模拟来自GPD（0,1,0.2）的样本：
x <- rgpd(100, 0, 1, 0.2)##评估x = 3时的密度和不超过的概率：dgpd(3, 0, 1, 0.2); pgpd(3, 0, 1, 0.2)#计算非超出概率为0.95的分位数：qgpd(0.95, 0, 1, 0.2)y <- rbvgpd(100, mo##评估不超过（5,14）的可能性pbvgpd(c(3,15), mode
GPD 拟合##最大似然估计（阈值= 0）：mle <- fgpd(x, 0)##最大似然估计（阈值= 0）：pwu <- fgpd(x, 0, "pwmu")##最大拟合优度估算器：adr <- fgpd(x, 0, "mgf"##指定已知参数：fgpd(x, 0, "mple",##指定数值优化的起始值：fgpd(x, 0, "mdpd", start =##拟合具有逻辑依存关系的双变量GPD：log <- fitbv
绘图用于单变量和双变量情况的通用函数：
plot(mle); plot(log)
点击标题查阅往期内容
R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
左右滑动查看更多
01
02
03
04
返回等级图：
概率图和QQ图
qq(mle)
绘制密度
绘制Pickands的依赖函数：
光谱密度图：
对数似然（分位数）：
confint(mle, prob = 0.95)
对数似然（参数）：
confint(mle, "shape")
本文摘选 《 R语言POT超阈值模型和极值理论EVT分析 》 ，点击“阅读原文”获取全文完整资料。
点击标题查阅往期内容
R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
R语言极值理论EVT：基于GPD模型的火灾损失分布分析
R语言有极值（EVT）依赖结构的马尔可夫链(MC)对洪水极值分析
R语言POT超阈值模型和极值理论EVT分析
R语言混合正态分布极大似然估计和EM算法
R语言多项式线性模型：最大似然估计二次曲线
R语言Wald检验 vs 似然比检验
R语言GARCH-DCC模型和DCC（MVT）建模估计
R语言非参数方法：使用核回归平滑估计和K-NN(K近邻算法)分类预测心脏病数据
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
R语言基于Bootstrap的线性回归预测置信区间估计方法
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型
Matlab马尔可夫区制转换动态回归模型估计GDP增长率R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
