论文部分内容阅读
变点问题自上世纪70年代以来一直是统计中的一个热门话题,目前它不但在工业质量控制(最早产生变点问题统计研究的领域之一)中有广泛的应用,而且在经济、金融、医学、计算机等领域也还有大量的应用和应用背景。本论文从一个侧面用大样本理论集中探讨了г-分布变点估计和检验的统计理论和具体应用。本文前四章探讨了变点的统计理论研究,最后一章介绍了变点理论在金融中的应用。首先我们在第一章简要概述了变点问题的发展和研究现状。由于以往的研究主要集中于均值和方差变点的研究,本质上这两个参数是独立变化的,但是在г-分布中,均值和方差同时依赖于两个参数ν,λ。如何对这类分布参数的变点进行检测是人们关心的一个问题。由于有一定的难度,这类问题在文献中讨论得较少,我们选择了很有代表性的г-分布簇进行这方面的研究。对至多一个变点的г分布,即X1,…,Xn为一列相互独立的随机变量序列,且X2,…,X[nτ0] i.i.d~г(x;ν1,λ1),X[nτ0]+1,…,Xn i.i.d~г(x;νz,λ2),其中τ0未知,称τ0为该序列的变点。借助Gauss过程理论,利用第一型极值分布逼近文中提出的统计量的分布。在第二章,我们采用局部比较法讨论了г-分布参数变点τ0的假设检验问题、变点估计(?)的强弱相合性以及收敛速度,并且比较了弱相合和强相合收敛的速度,最后给出了Matlab模拟。在第三章中我们利用CUSUM方法讨论了г-分布参数是否存在变点的假设检验问题、检测变点τ0位置的程序、变点的估计(?)的强弱相合性和强弱收敛速度。同时对变点处(假定已检测有变点)的变异系数ν1/2和跳跃度νn=ν21/2-ν11/2进行估计,并给出了估计量的渐近分布。当跳跃度νn=ν21/2-ν11/2较小时,给出了变点估计(?)的渐近分布。在方差未知时,用自正则方法给出了变点的检测方法,并给出了Matlab模拟结果。对至多一个变点的模型X(i/n)=f(i/n)+ε(i/n),其中f(t)=,ε(1/n),ε(2/n),…,ε(n/n)独立同分布。借助Gauss过程理论、第一型极值分布理论和局部比较法,在第四章我们不仅证明了变点丁τ0估计(?)的强弱相合性,并给出了强弱收敛速度。进一步讨论了局部对立假设下,(?)的渐近分布。最后,我们给出了г-分布变点统计理论的一个应用,即讨论了上海股市股票指数连涨和连跌收益率分布中的变点问题。实证结果表明,在实行“T+0”、“T+1”、“涨停板”、“国有股减持”时期连涨收益率、连跌收益率虽然都服从г-分布,但是不同时期г-分布的形状参数和刻度参数却不相同,反映了中国股市发展过程中呈现出“政策市”的特点。