Bayesian Nonparametric Inference for a Multivariate Copula Function
Bayesian Nonparametric Inference for a Multivariate Copula Function
复制标题
DOI：
10.1007/s11009-013-9348-5
复制
发表时间：
2014-09
影响因子：
0.9
通讯作者：
Juan Wu;Xue Wang;S. Walker
中科院分区：
文献类型：
--
作者：
Juan Wu;Xue Wang;S. Walker
本文提出了一种估计高维copula的一般贝叶斯非参数方法。我们首先介绍了斜常态copula，然后我们扩展到一个无限的混合模型。偏正态copula修正了高斯copula的一些局限性。一个MCMC算法的开发，以正确的后验分布和模型进行了研究，使用模拟和真实的应用程序中提取样本。
The paper presents a general Bayesian nonparametric approach for estimating a high dimensional copula. We first introduce the skew–normal copula, which we then extend to an infinite mixture model. The skew–normal copula fixes some limitations in the Gaussian copula. An MCMC algorithm is developed to draw samples from the correct posterior distribution and the model is investigated using both simulated and real applications.