对至多一个变点的${\it \Gamma} $分布,即$X_{1}, X_{2} \cdots ,X_{n} $ 为一列相互独立的随机变量序列,且$X_{1}, X_{2}, \cdots ,X_{[n\tau_{0}]}$ i.i.d \$sim {\it \Gamma}(x;\nu_{1}, \lambda_{1}), X_{[n\tau_{0}]+1}, X_{[n\tau_{0}]+2}, \cdots \ ,X_{n}\ \ {\rm i.i.d}\sim {\it \Gamma}(x;\nu_{2}, \lambda_{2})$,其中$\tau_{0}$未知,称$\tau_{0}$为该序列的变点. 在利用第一型极值分布逼近文中提出统计量的分布的基础上, 给出了变点$\tau_{0}$估计$\widehat{\tau}$的相合性及强弱收敛速度.最后给出了在金融序列上的应用.
在金融和保险中, copula 函数是一种构造多元相关分布函数的有力工具.然而, 怎样选择一个适当的 copula 函数用于拟合数据,并没有找到统一的方法.因此,基于 copula 函数的经验分布,我们提出了一种用于检验具有某种特定参数结构的 copula 函数拟合数据优良性的方法,并得到了此检验的渐近性质.由于该检验统计量的极限分布依赖未知参数, 我们采用非参数蒙特卡罗方法确定临界值.我们做了一个简单的模拟来验证本文提出的检验方法的功效.
研究$\beta-$ARCH模型的经验似然估计及相应似然比统计量的渐近性质,证得了相合性和极限分布.