On the Favorable Estimation for Fitting Heavy Tailed Data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F10%3A00342150" target="_blank" >RIV/67985807:_____/10:00342150 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

On the Favorable Estimation for Fitting Heavy Tailed Data

Popis výsledku v původním jazyce

Assessment of heavy tailed data and its compound sums has many applications in insurance, auditing and operational risk capital assessment among others. In this paper, we compare the classical estimators (maximum likelihood, QQ and moment estimators) with the recently introduced robust estimators of ?generalized median, ?trimmed mean and estimators based on t-score moments. We derive the exact distribution of the likelihood ratio tests of homogeneity and simple hypothesis on the tail index of a two-parameter Pareto model. Such exact tests support the assessment of the performance of estimators. In particular, we discuss some problems that one can encounter when misemploying the log-normal assumption based methods supported by the Basel II framework. Real data and simulated examples illustrate the methods.

Název v anglickém jazyce

On the Favorable Estimation for Fitting Heavy Tailed Data

Popis výsledku anglicky

Assessment of heavy tailed data and its compound sums has many applications in insurance, auditing and operational risk capital assessment among others. In this paper, we compare the classical estimators (maximum likelihood, QQ and moment estimators) with the recently introduced robust estimators of ?generalized median, ?trimmed mean and estimators based on t-score moments. We derive the exact distribution of the likelihood ratio tests of homogeneity and simple hypothesis on the tail index of a two-parameter Pareto model. Such exact tests support the assessment of the performance of estimators. In particular, we discuss some problems that one can encounter when misemploying the log-normal assumption based methods supported by the Basel II framework. Real data and simulated examples illustrate the methods.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Computational Statistics

ISSN

0943-4062

e-ISSN

—

Svazek periodika

25

Číslo periodika v rámci svazku

3

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

19

Strana od-do

—

Kód UT WoS článku

000280074100008

EID výsledku v databázi Scopus

—