贝叶斯潜变量倾向得分半联合模型研究与应用

本文提出了一种贝叶斯潜变量倾向得分半联合模型(BS_LVM_PSA),探讨了如何将潜变量纳入倾向得分分析,同时引入先验信息,利用半联合贝叶斯方法进行参数估计。通过两个数值模拟来测算BS_LVM_PSA在特定环境的性能,并将BS_LVM_PSA应用于实例数据。模拟研究显示:第一,潜变量能够降低预处理协变量测量误差,提高处理效应估计精度;第二,不同匹配方法下,贝叶斯方法相对于频率学派的处理效应估计精度更高;第三,在小样本中,贝叶斯方法相比非贝叶斯方法预测精度和稳定性更高;第四,有先验信息的处理效应估计精度高于无信息先验,且在适度的先验精度下,处理效应估计更加可靠。实例分析中,利用本文提出的BS_LVM_PSA研究了社区扶贫政策的减贫效应。

基于拉普拉斯分布的半参非对称联合可导出风险模型研究

近年来,由于半参联合可导出风险模型在风险价值(VaR)和预期损失(ES)的联合统计建模与预测方面的优越表现,其已在金融计量领域引发了广泛关注.文章首次从非对称拉普拉斯分布的视角出发,研究了一类基于该分布的半参非对称联合可导出风险模型的统计性质与风险预测表现.与已有的半参联合可导出风险模型不同的是,该模型假设资产收益的条件分布服从基于VaR和ES的非对称拉普拉斯分布,考虑了金融市场的典型非对称特征,将VaR和ES看作是由包含非对称特征的收益率条件标准差过程与待估参数所组成的动态结构,实现了VaR与ES的联合统计建模.基于该模型结构,给出了其拟极大似然估计方法,并在一定正则条件下建立了该估计的一致性与渐近正态性定理.随后,多种情况下的数值模拟结果证实了该估计的有限样本性质以及该模型在预测样本外向前一步风险的有效性.最后,实证研究显示所提模型在预测向前多步VaR与ES上的表现最优.