Inference for Heavy-Tailed Data: Applications in Insurance and Finance

داده های دم سنگین اغلب در علوم اجتماعی، ترافیک اینترنت، بیمه و امور مالی ظاهر می شوند. استنتاج آماری سال‌ها مورد مطالعه قرار گرفته است که شامل تخمین کاهش سوگیری اخیر برای شاخص دنباله و کمیت‌های بالا با کاربرد در مدیریت ریسک، تخمین فاصله‌ای مبتنی بر احتمال تجربی برای شاخص دم و چندک بالا، آزمون‌های فرضیه برای دنباله‌های سنگین، انتخاب نمونه است. کسری در شاخص دم و استنتاج کمیت بالا. این نتایج برای داده های مستقل، داده های وابسته، سری های زمانی خطی و سری های زمانی غیرخطی در مجلات آماری مختلف پراکنده شده است. استنتاج برای تجزیه و تحلیل داده های سنگین این روش ها را با تصویری واضح از یادگیری و استفاده از این تکنیک ها در یک مکان واحد قرار می دهد.

• شامل پوشش جامعی از تکنیک های جدید سنگین است. تجزیه و تحلیل داده های دنباله دار
• نمونه هایی از داده های دنباله دار سنگین و کاربردهای آن را ارائه می دهد
• تصویری واضح از یادگیری و استفاده از این تکنیک ها را در یک مکان واحد گرد هم می آورد

Heavy tailed data appears frequently in social science, internet traffic, insurance and finance. Statistical inference has been studied for many years, which includes recent bias-reduction estimation for tail index and high quantiles with applications in risk management, empirical likelihood based interval estimation for tail index and high quantiles, hypothesis tests for heavy tails, the choice of sample fraction in tail index and high quantile inference. These results for independent data, dependent data, linear time series and nonlinear time series are scattered in different statistics journals. Inference for Heavy-Tailed Data Analysis puts these methods into a single place with a clear picture on learning and using these techniques.

• Contains comprehensive coverage of new techniques of heavy tailed data analysis
• Provides examples of heavy tailed data and its uses
• Brings together, in a single place, a clear picture on learning and using these techniques