Approximate Bayesian conditional copulas
Approximate Bayesian conditional copulas
复制标题
近似贝叶斯条件联结函数
DOI：
10.1016/j.csda.2021.107417
复制
发表时间：
2022
影响因子：
1.8
通讯作者：
Grazian C
中科院分区：
文献类型：
--
作者：
Grazian C
Copula模型是一种灵活的工具，可以表示多变量随机变量的复杂相关性结构。根据Sklar定理，任何多维绝对连续分布函数都可以唯一地表示为Copula，即具有均匀边缘的单位超立方体上的联合累积分布函数，它反映了向量分量之间的依赖结构。在实际数据应用中，分析的兴趣往往在于相关性的特定泛函，这些泛函将相关性的各个方面量化为几个数值。关于这类泛函的文献很多，但包括协变量的扩展仍然有限。这主要是由于缺乏条件Copula的无偏估计，特别是在没有足够的信息来选择Copula模型的情况下。给出并比较了几种逼近相依性随协变量变化的泛函后验分布的贝叶斯方法，所研究的方法的主要优点是它们使用非参数模型，避免了Copula模型的选择，而Copula模型通常是Copula建模的一个微妙方面。这些方法在模拟研究和土木工程和天体物理学的两个实际应用中进行了比较。
Copula models are flexible tools to represent complex structures of dependence for multivariate random variables. According to Sklar's theorem, any multidimensional absolutely continuous distribution function can be uniquely represented as a copula, i.e. a joint cumulative distribution function on the unit hypercube with uniform marginals, which captures the dependence structure among the vector components. In real data applications, the interest of the analyses often lies on specific functionals of the dependence, which quantify aspects of it in a few numerical values. A broad literature exists on such functionals, however extensions to include covariates are still limited. This is mainly due to the lack of unbiased estimators of the conditional copula, especially when one does not have enough information to select the copula model. Several Bayesian methods to approximate the posterior distribution of functionals of the dependence varying according covariates are presented and compared; the main advantage of the investigated methods is that they use nonparametric models, avoiding the selection of the copula, which is usually a delicate aspect of copula modelling. These methods are compared in simulation studies and in two realistic applications, from civil engineering and astrophysics.
登录
查看更多内容
影响因子：
3.3
作者：
Aki Vehtari;Janne Ojanen
通讯作者：
Aki Vehtari;Janne Ojanen
贝叶斯
DOI：
10.1017/cbo9781139923576.015
发表时间：
2019
期刊：
The Probability Companion for Engineering and Computer Science
影响因子：
--
作者：
P. Gupta;J. Thakur;Chander Mohan
通讯作者：
Chander Mohan
DOI：
10.1080/00949655.2013.806508
发表时间：
2015-01
影响因子：
1.2
作者：
Juan Wu;Xue Wang;S. Walker
通讯作者：
Juan Wu;Xue Wang;S. Walker
影响因子：
1.6
作者：
Acar, Elif F.;Genest, Christian;Neslehova, Johanna
通讯作者：
Neslehova, Johanna
使用形状限制样条的广义部分线性模型的贝叶斯估计和推理
DOI：
--
发表时间：
2011
期刊：
影响因子：
--
作者：
Mary C. Meyer;A. Hackstadt;J. Hoeting
通讯作者：
J. Hoeting