贝叶斯非线性分层模型在多元索赔准备金评估中的应用

本文将贝叶斯非线性分层模型应用于基于不同业务线的多元索赔准备金评估中,设计了一种合适的模型结构,将非线性分层模型与贝叶斯方法结合起来,应用WinBUGS软件对精算实务中经典流量三角形数据进行建模分析,并使用MCMC方法得到了索赔准备金完整的预测分布。这种方法扩展并超越了已有多元评估方法中最佳估计和预测均方误差估计的研究范畴。在贝叶斯框架下结合后验分布实施推断对非寿险公司偿付能力监管和行业决策具有重要作用。     

非寿险精算中的贝叶斯信用模型分析

针对传统B櫣hlmann-Straub信用模型不能有效地解决缺失数据信息处理问题,本文利用贝叶斯统计方法,构造了一类新的贝叶斯信用分析模型,引入基于吉布斯抽样的马尔科夫链蒙特卡洛方法进行数值计算,建立了一个索赔后验分层正态模型进行实证分析,证明模型的有效性。研究结果表明,基于MCMC的贝叶斯信用模型能够动态模拟模型参数的后验分布,提高模型估计的精度,对保险公司经验费率厘定方法的改进具有重要的现实意义。     

人口普查质量评估中Logistic回归模型的应用

双系统估计量是目前估计目标总体真实人口数及人口普查净误差的主流方法,构造双系统估计量时,要求总体中的人口具有相同的登记概率。为达此目的,目前各国通行的做法是对人口总体进行抽样后分层。用Logistic回归模型取代抽样后分层是人口普查质量评估领域的前沿问题。本文系统地解读了基于Logistic回归模型的双系统估计量及其方差估计量,认为Logistic回归模型能够纳入更多的分层变量,具有很好的应用前景。     

贝叶斯估计的图像分割技术

针对图像在动态阈值选取难的问题,通过比较全局阈值和局部阈值优缺点,选用贝叶斯阈值估计和迭代加权的方法对图像进行二值化分割,建立基于贝叶斯线性回归模型对检测到的阈值进行分析,通过图像增强,建立目标与非目标区域,分别计算各个区域的先验概率,使用贝叶斯估计模型求得似然函数的极小值即为后验概率,通过此模型对125组阈值样本进行分类,对异常阈值的判断率为14.4%,选取后的阈值更为精确。本文方法,既能有效的提取目标特征,较好的去除背景,又能够保留目标图像的细节。     

非线性计量经济模型的非参数估计方法研究

本文提出使用核估计的方法构造平滑转移模型(STR)的非参数模拟最大似然估计(NPSML),给出了NPSML估计量的构造方法、渐近性质以及相应的核函数和窗宽的选择准则,并利用滑动窗宽算法对估计量的构造过程进行了改进。通过Monte Carlo实验证明,该方法是可靠的,并且当误差项存在序列相关时,此种估计量是稳健的。     

一种基于MCMC稳态模拟的贝叶斯索赔校正模型

Btihlmann模型是贝叶斯方法在经验费率厘定中最为著名的应用，然而该模型在结构参数先验信息不足的情况下，并不能得出参数的无偏后验估计。本文针对传统方法的不足，运用基于MCMC模拟的贝叶斯方法对历史数据进行校正，通过Gibbs抽样构造出一种多层Poisson模型稳态分布的马尔可夫链，动态模拟出索赔频率的后验分布以及缺失参数值的后验估计，改进了传统的索赔校正模型，提高了计算的精度。利用WinBUGS软件包进行建模分析，证明了该模型的直观性与有效性。     

我国主要证券市场VaR模型估计精度研究

文章首先针对沪市综合指数收益进行了基本的统计,实证数据体现了高风险高收益的一般原则;其次,在二值损失函数标准和平方损失函数双重检验标准下,对三类VaR模型的估计精度进行了实证检验,结果表明:非参数类和半参数类度量模型对于证券市场风险估计的精度较高,而参数类VaR模型的估计精度最差。由于参数类VaR模型主要采用了正态假定且忽略了波动率的聚集性,因此,在一定程度上也说明了我国主要证券市场收益不符合正态性假定且存在波动率聚集现象。     

浅析桥梁检修规划的方法与步骤

桥梁检查的目的是用检查获得的信息更新先验的桥梁抗力退化模型和桥梁荷载模型,桥梁检查的效益为依据先验信息的桥梁修理规划相比于依据后验信息的桥梁修理规划的费用损失.因为桥梁检查在将来的某时刻能够获得什么样的信息是随机的,所以在时间的零点对桥梁检查进行规划时用检查变量的先验分布预测将来可能的值,用将来可能的值计算桥梁抗力退化模型和桥梁荷载模型的后验分布(称为预后验分布),从而在预后验决策分析框架下桥梁检查的效益为依据先验信息的桥梁修理规划相比于依据预后验信息的桥梁修理规划的期望损失.     

基于EMB多重插补法的线性模型系数估计量的模拟研究

基于EMB多重插补法的线性模型系数估计量,分析其统计性质,并与PMM多重插补法以及DA插补法进行比较。模拟结果显示,随着无回答率增加,系数估计量的偏差绝对值、均方误差呈递增趋势,估计方差的递增趋势相对更显著。在完全随机无回答机制或随机无回答机制下,建议插补重数为15。在依赖被解释变量的非随机无回答机制下,建议插补重数可适当增大。在依赖其他变量的非随机无回答机制下,估计量的均方误差和估计方差的差异大,使用EMB多重插补法要谨慎。     

线性模型参数的最优估计——基于对最小P乘估计的研究

本文通过随机模拟计算研究了线性回归模型参数的LP估计量的一些特性,当误差项服从不同的分布时,在LP估计量中寻找最优或接近最优的估计。