【原】R语言POT超阈值模型和极值理论EVT分析

原文链接：http:///?p=16845

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), modeGPD 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)



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")