高尼亚勒韦玛丽贝;安德雷赫特，维斯特;贝兰特，一月 降低重尾估计中的MSE：贝叶斯方法。 arXiv公司：1606.05687 预印本，arXiv:1606.05687[math.ST]（2016）。 总结：尾部估计中的偏差减少在极值分析中引起了相当大的兴趣。在控制均方误差（MSE）的同时最小化偏差的估计方法，在应用Hill（1975）估计器等经典方法时尤其有用。在Caeiro等人（2005年）中，首次提出了帕累托尾部指数的最小方差缩减偏差估计量，其中在不增加与希尔估计量相关的方差的情况下减小了偏差。该方法基于一对二阶参数的充分外部估计。在这里，我们从贝叶斯的角度重新审视了这个问题，从扩展的帕累托分布（EPD）近似到超过高阈值的超额，正如贝兰特等人（2009）使用最大似然（ML）估计开发的那样。使用渐近考虑，我们得出了一个适当的先验选择，从而得出贝叶斯估计量，其中MSE曲线是Hill和EPD-ML MSE曲线在大范围阈值下的加权平均值，条件与Beirlant等人（2009）相同。尾部概率估计也得到了类似的结果。仿真结果表明，相对于现有的估计量，MSE具有令人惊讶的良好性能。 MSC公司： 60G70型 极值理论；极值随机过程 62G32型 极值统计；尾部推断 2015年1月62日 贝叶斯推断 BibTeX公司 引用 \textit{G.Maribe}等人，“减少重尾估计中的MSE：贝叶斯方法”，Preprint，arXiv:1606.05687[math.ST]（2016） 全文： arXiv公司 OA许可证 arXiv数据来自arXiv OAI-PMH API.如果你发现了一个错误，请直接向arXiv报告.