Questions marquées «copula»

Une copule est une distribution multivariée avec des distributions marginales uniformes. Les copules sont principalement utilisées pour représenter ou modéliser la structure de dépendance entre des variables aléatoires, séparément des distributions marginales.

3
Est-il possible d'avoir une paire de variables aléatoires gaussiennes pour lesquelles la distribution conjointe n'est pas gaussienne?
Quelqu'un m'a posé cette question lors d'un entretien d'embauche et j'ai répondu que leur distribution commune est toujours gaussienne. Je pensais que je pouvais toujours écrire une gaussienne à deux variables avec leurs moyennes, leur variance et leurs covariances. Je me demande s’il peut exister un cas pour lequel la …
5
Lecture introductive sur les copules
Depuis quelque temps, je cherche une bonne lecture introductive sur les copules pour mon séminaire. Je trouve beaucoup de matériel qui parle d'aspects théoriques, ce qui est bien, mais avant de les aborder, je cherche à construire une bonne compréhension intuitive sur le sujet. Quelqu'un pourrait-il suggérer de bons articles …
1
Corrélations réalisables pour les variables aléatoires lognormales
Considérons les variables aléatoires lognormales X1X1X_1 et X2X2X_2 avec log(X1)∼N(0,1)log⁡(X1)∼N(0,1)\log(X_1)\sim \mathcal{N}(0,1) et log(X2)∼N(0,σ2)log⁡(X2)∼N(0,σ2)\log(X_2)\sim \mathcal{N}(0,\sigma^2) . J'essaie de calculer ρmaxρmax\rho_{\max} et pour . Une étape dans la solution donnée que j'ai est:ρminρmin\rho_{\min}ρ(X1,X2)ρ(X1,X2)\rho (X_1,X_2) ρmax=ρ(exp(Z),exp(σZ))ρmax=ρ(exp⁡(Z),exp⁡(σZ))\rho_{\max}=\rho (\exp(Z),\exp(\sigma Z)) et ,ρmin=ρ(exp(Z),exp(−σZ))ρmin=ρ(exp⁡(Z),exp⁡(−σZ))\rho_{\min}=\rho (\exp(Z),\exp(-\sigma Z)) mais ils ont fait quelques références à la comonotonicité et à …
1
Limites supérieures pour la densité de copule?
La limite supérieure de Fréchet – Hoeffding s'applique à la fonction de distribution des copules et est donnée par C(u1,...,ud)≤min{u1,..,ud}.C(u1,...,ud)≤min{u1,..,ud}.C(u_1,...,u_d)\leq \min\{u_1,..,u_d\}. Existe-t-il une limite supérieure similaire (dans le sens où cela dépend des densités marginales) pour la densité de copule au lieu du CDF?c(u1,...,ud)c(u1,...,ud)c(u_1,...,u_d) Toute référence serait grandement appréciée.
1
Comment simuler à partir d'une copule gaussienne?
Supposons que j'ai deux distributions marginales univariées, disons FFF et GGG , à partir desquelles je peux simuler. Maintenant, construisons leur distribution conjointe en utilisant une copule gaussienne , notée C(F,G;Σ)C(F,G;Σ)C(F,G;\Sigma) . Tous les paramètres sont connus. Existe-t-il une méthode non-MCMC pour simuler à partir de cette copule?
2
Quelles sont les techniques d'échantillonnage de deux variables aléatoires corrélées?
Quelles sont les techniques d'échantillonnage de deux variables aléatoires corrélées: si leurs distributions de probabilité sont paramétrées (par exemple, log-normal) s'ils ont des distributions non paramétriques. Les données sont deux séries temporelles pour lesquelles nous pouvons calculer des coefficients de corrélation non nuls. Nous souhaitons simuler ces données à l'avenir, …
1
R / mgcv: Pourquoi les produits tenseurs te () et ti () produisent-ils des surfaces différentes?
Le mgcvpackage pour Ra deux fonctions pour ajuster les interactions des produits tensoriels: te()et ti(). Je comprends la division de base du travail entre les deux (ajustement d'une interaction non linéaire vs décomposition de cette interaction en effets principaux et interaction). Ce que je ne comprends pas, c'est pourquoi te(x1, …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
2
Échantillonnage CDF inverse pour une distribution mixte
La version courte hors contexte Soit une variable aléatoire avec CDF yyyF(⋅)≡{θθ+(1−θ)×CDFlog-normal(⋅;μ,σ) y = 0 y > 0F(⋅)≡{θ y = 0 θ+(1−θ)×CDFlog-normal(⋅;μ,σ) y > 0 F(\cdot) \equiv \cases{\theta & y = 0 \\ \theta + (1-\theta) \times \text{CDF}_{\text{log-normal}}(\cdot; \mu, \sigma) & y > 0} Disons que je voulais simuler des …
2
Qu'est-ce qu'une copule adaptative?
Ma question de base est: Qu'est-ce qu'une copule adaptative? J'ai des diapositives d'une présentation (malheureusement, je ne peux pas demander à l'auteur des diapositives) sur les copules adaptatives et je ne comprends pas, ce que cela signifie resp. à quoi cela sert-il? Voici les diapositives: Ensuite, les diapositives continuent avec …
1
Si j'ai un vecteur de
Mon but ultime est de pouvoir générer un vecteur de taille NNNdes variables aléatoires de Bernoulli corrélées. Une façon de le faire est d'utiliser l'approche Coupla gaussienne. Cependant, l'approche Coupla gaussienne me laisse juste un vecteur: (p1, … ,pN) ∈ [ 0 , 1]N(p1,…,pN)∈[0,1]N (p_1, \ldots, p_N) \in [0,1]^N Supposons …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.