Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Nonparametric Bayesian in… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Nonparametric Bayesian inference for Gamma-type Lévy subordinators

Artikel i vetenskaplig tidskrift
Författare D. Belomestny
S. Gugushvili
Moritz Schauer
P. Spreij
Publicerad i Communications in Mathematical Sciences
Volym 17
Nummer/häfte 3
Sidor 781-816
ISSN 1539-6746
Publiceringsår 2019
Publicerad vid Institutionen för matematiska vetenskaper, Tillämpad matematik och statistik
Sidor 781-816
Språk en
Länkar dx.doi.org/10.4310/CMS.2019.v17.n3....
Ämnesord Bridge sampling, Data augmentation, Gamma process, Levy process, Levy density, MCMC, convergence-rates, model, Mathematics
Ämneskategorier Matematik

Sammanfattning

Given discrete time observations over a growing time interval, we consider a nonparametric Bayesian approach to estimation of the Levy density of a Levy process belonging to a flexible class of infinite activity subordinators. Posterior inference is performed via MCMC, and we circumvent the problem of the intractable likelihood via the data augmentation device, that in our case relies on bridge process sampling via Gamma process bridges. Our approach also requires the use of a new infinite-dimensional form of a reversible jump MCMC algorithm. We show that our method leads to good practical results in challenging simulation examples. On the theoretical side, we establish that our nonparametric Bayesian procedure is consistent: in the low frequency data setting, with equispaced in time observations and intervals between successive observations remaining fixed, the posterior asymptotically, as the sample size n ->infinity, concentrates around the Levy density under which the data have been generated. Finally, we test our method on a classical insurance dataset.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?