请教：参数估计标准差太大，估计值不理想，如何处理？

关于极值理论POT模型参数估计，即估计广义帕累托分布（GPD）参数，方法采用贝叶斯估计。Openbugs(Winbugs)程序如下：

  model

       {

              for(i in 1 : N )

                 {

                            x ~ dgpar(mu,tau,eta)

                }

       #Prior distributions of the model parameters     

       # Gamma Prior        

                      eta~ dpar(0.001, 0.001)

                            tau~ dgamma(0.001,0.001)      

       }

       list(N=30,mu=62,x=c(63.3,67,75,77,80,90,100,100,100,100,100,103,120,136,140,145,150,150,190,270,300,300,400,400,500,700,800,827,1825,2400))

list(tau=1,eta=0.4)

运行结果

                                             mean          sd               MC_error  val2.5pc    median      val97.5pc  start           sample

                         eta              0.897          0.3875       0.002003   0.2862        0.8464       1.796          20000        80001

                         tau              106.9          41.31          0.2351       46.51          100.3          206.5          20000        80001

可见：参数tau标准差为41.31，eta标准差0.3875，都很大。

另外，我对数据用matlab拟合广义帕累托分布，得到参数估计（最大似然法）的标准差也很大。我本意是希望贝叶斯估计比最大似然估计效果要好些，结果均不理想。

问题：

1.程序是否正确？利用该方法，结果如何改进？

2.想用Bootstrap方法结合贝叶斯估计，或单独用Bootstrap方法进行参数估计，我没弄过。

3.其他能改进结果的简单方法。

以上需要求解过程及结果。

4.用POT求VaR值较损失分布法小，相差悬殊。原因是阀值选择不正确，还是其他原因？