Grid-Uniform Copulas and Rectangle Exchanges: Bayesian Model and Inference for a Rich Class of Copula Functions
基于Copula的模型在建模多变量分布时提供了很大的灵活性，允许将边缘分布的模型规格与将它们连接以形成联合分布的依赖结构（copula）分开。选择一类copula模型不是一件简单的任务，它的错误设定可能导致错误的结论。我们引入了一类新的网格一致copula函数，这是密集的空间中的所有连续copula函数在一个Hellinger意义。我们提出了一个贝叶斯模型的基础上，这个类和开发一个自动的马尔可夫链蒙特卡罗算法探索相应的后验分布。通过模拟数据和现有的主要方法相比，说明了该方法。
2021-09-08 stat.ME
Bayesian nonparametric copulas with tail dependence
本研究提出一种基于贝叶斯非参数方法、带断棍表示的新型双变量copula模型，可捕捉联合分布的中心与尾部相关性，经模拟与真实数据验证，其尾部相关性捕捉能力和样本外预测性能优于Joe、Clayton等传统copula模型。
2025-07-30 stat.AP stat.ME
A Nonparametric Bayesian Approach to Copula Estimation
提出了一种新的基于Dirichlet的Copula的Pólya树（D-P树）先验，以及基于D-P树先验的非参数贝叶斯推断方法.通过理论分析和仿真，我们能够表明，D-P树先验的灵活性，确保其在copula估计的一致性，从而能够检测到更微妙和复杂的copula结构比早期的非参数贝叶斯模型，如高斯copula混合。此外，所施加的D-P树先验的连续性导致copula估计比经典频率论方法更有利的平滑效果，特别是对于小的观测集。我们还将该方法应用于2007-08年金融危机期间标准普尔500指数和IBM股票价格之间的Copula预测，发现基于D-P树的方法在这种不规则的市场行为下具有较强的鲁棒性和灵活性。
2017-02-23 stat.ME
Bayesian nonparametric mixtures of Archimedean copulas
本文提出了一种基于Poisson-Dirichlet过程的Archimedean copula贝叶斯非参数混合模型，以提升依赖性建模的灵活性，并通过数值实验验证了其有效性。
2026-10-26 stat.ME
Bayesian inference for dynamic vine copulas in higher dimensions
提出了一类动态葡萄树copula模型。这是静态vine copula的扩展，也是Almeida et al（2016）和Goel and Mehra（2019）研究的动态C-vine和D-vine copula的推广。在这个类中，我们允许时变的依赖性，通过驱动藤copula参数与潜在的AR（1）过程。这种建模方法非常灵活，但由于高维参数空间，估计并不简单。我们提出了一种贝叶斯估计方法，它依赖于一种新的近似的后验分布。这种近似允许以顺序方式使用马尔可夫链蒙特卡罗方法，例如椭圆切片采样。与Gruber and Czado（2015）提出的vine copula模型的其他贝叶斯序贯估计过程相比，在继续下一棵树之前，不需要将copula参数折叠为点估计。因此，更多的信息和不确定性从较低的树传播到较高的树。模拟研究表明，令人满意的性能的贝叶斯过程。这种动态建模和推理方法可以应用于各个领域，其中静态vine copula已经被证明是成功的，包括环境科学，医学和金融。在这里，我们研究了21个汇率之间的依赖关系。为了比较，我们还估计了静态葡萄树copula模型和动态C-vine和D-vine copula模型。这一比较表明，所提出的动态藤蔓copula模型的性能优越，提前一天的预测精度。
2019-11-02 stat.ME
Implicit Copulas from Bayesian Regularized Regression Smoothers
我们展示了如何从带有高斯扰动的贝叶斯正则化回归平滑器中提取响应向量的隐式copula。Copula可以用来比较采用不同收缩先验和函数基的平滑器。我们说明了三个流行的选择收缩先验-成对先验，马蹄铁先验和g先验增强与一个点质量作为贝叶斯变量选择-和单变量和多变量函数的基础。隐式copula是高维的，具有灵活的依赖结构，远离高斯copula，并且在封闭形式中不可用。然而，我们展示了如何通过首先构建正则化参数的高斯Copula条件，然后在这些条件下进行积分来评估它们。结合非参数边界，正则化平滑器可用于以协变量为条件对非高斯单变量响应的分布进行建模。有效的马尔可夫链蒙特卡罗计划评估Copula的情况下。使用模拟和真实数据，我们展示了这样的Copula平滑模型如何提高所得函数估计和预测分布的质量。
2018-05-14 stat.ME
Bivariate Analysis of Birth Weight and Gestational Age Depending on Environmental Exposures: Bayesian Distributional Regression with Copulas
在这篇文章中，我们分析了围产期数据与出生体重（BW）作为主要有趣的反应变量。遗传年龄（GA）通常是一个重要的协变量，并包括在多项式形式。然而，与这种单变量回归相反，建议对BW和GA进行双变量建模，以区分对每一个、对两者以及它们之间的影响。而不是一个参数的二元分布，我们应用条件copula回归，其中的边缘分布的BW和GA（不一定是相同的形式）可以独立估计，其中的依赖结构建模条件的协变量分别从这些边缘。在所得到的分布回归模型中，两个边缘和copula参数的所有参数都是观测特定的。除了生物统计和产科信息外，还包括饮用水污染和产妇吸烟数据，作为环境协变量。虽然高斯分布适用于BW，但三参数Dagum分布更好地模拟了倾斜的GA数据。克莱顿copula表现优于Gumbel和对称高斯copula，表明较低的尾部依赖性（当两个变量都很低时，依赖性更强），尽管BW和GA之间的这种非线性依赖性令人惊讶地弱，并且只受剖腹产的影响。一个非线性趋势的BW GA检测到一个经典的单变量模型，是多项式的GA的效果。两个模型对BW均值的线性影响相似，而我们的分布copula回归也揭示了协变量对所有其他参数的影响。
2021-10-31 stat.AP stat.ME
Bayesian Inference for Joint Tail Risk in Paired Biomarkers via Archimedean Copulas with Restricted Jeffreys Priors
University of Louisiana at Lafayette（路易斯安那大学拉法叶分校）；Minnesota State University（明尼苏达州立大学）；West Liberty University（西自由大学）；Presidency College（总统学院）
本文提出一种基于Copula的贝叶斯方法，通过受限杰弗里斯先验量化配对生物标志物的联合尾风险，揭示了极端共动性显著高于独立性。
2026-03-08 stat.AP stat.ME
Bayesian Hierarchical Copula Models with a Dirichlet-Laplace Prior
本文针对金融时间序列聚类提出贝叶斯分层copula模型，采用Dirichlet-Laplace全局-局部收缩先验解决后验不适定问题并刻画聚类间依赖，通过模拟和真实数据验证性能。
2025-02-06 stat.ME
Differentially Private Bayesian Inference for Gaussian Copula Correlations
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；Duke University（杜克大学）
本文提出基于差分隐私的高斯Copula相关性贝叶斯推断方法，通过噪声添加和复合似然估计实现隐私保护下的相关性估计。
2026-07-28 stat.ME
Pair-copula Bayesian networks
配对Copula贝叶斯网络（PCBN）是一类新的多元统计模型，它结合了配对Copula结构（PCC）的分布灵活性和有向无环图（DAG）的条件独立模型的简约性.我们是第一个提供通用算法的随机抽样和似然推断任意PCBN以及选择排序的父母的顶点在底层图形。DAG的模型选择使用一个版本的众所周知的PC算法，这是基于一个新的测试条件独立的随机变量定制的PCC框架。仿真研究表明，PC算法的高智能非高斯PCBN的结构估计。所提出的方法，最后应用于金融回报数据建模。
2012-11-23 stat.ME
Approximate Bayesian Conditional Copulas
Copula模型是描述多元随机变量复杂相依结构的灵活工具。根据Sklar定理（Sklar，1959），任何d维绝对连续密度都可以唯一地表示为边缘分布和Copula函数的乘积，Copula函数捕获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依赖关系的特定泛函，这些泛函将依赖关系的各个方面量化为一些数值。一个广泛的文献存在这样的泛函，但扩展到包括协变量仍然是有限的。这主要是由于缺乏无偏估计量的copula函数，特别是当一个没有足够的信息来选择copula模型。计算方法和算法的最新进展允许在存在复杂的似然函数的情况下进行推断，特别是在贝叶斯方法中，其方法尽管是计算密集型的，但使我们能够更好地评估估计的不确定性。在这项工作中，我们提出了几个贝叶斯方法来近似的后验分布的泛函的依赖，使用非参数模型，避免了选择的Copula函数。这些方法进行了比较，在模拟研究和两个现实的应用，从土木工程和天体物理学。
2021-03-04 stat.ME
Bayesian Multivariate Nonlinear State Space Copula Models
在本文中，我们提出了一个灵活的多变量非线性非高斯状态空间模型，基于copula。更准确地说，我们假设观测方程和状态方程由不一定相等的copula族定义。对于每个时间点，所得到的模型可以通过在第一棵树之后截断的C-vine copula来描述，其中根节点由潜在状态表示。在贝叶斯框架内进行推断，使用哈密顿蒙特卡罗方法，其中在第一棵树之后截断的另一个D-藤被用作先验分布以捕获潜在状态中的时间依赖性。仿真研究表明，所提出的基于Copula的方法是非常灵活的，因为它能够描述广泛的依赖结构，并在同一时间，允许我们处理缺失数据。大气污染物测量数据的应用表明，我们的方法是适合于准确的建模和预测的数据动态缺失值的存在。比较高斯线性状态空间模型和贝叶斯加性回归树显示了该模型的预测精度方面的优越性能。
2019-11-01 stat.ME
Dependence properties and Bayesian inference for asymmetric multivariate copulas
我们研究了由Liebscher（2008）引入的一大类非对称copula，它是多个通常是对称的copula的组合。本文的主要目的是提供新的理论性质，包括精确的尾部依赖表达式和稳定性。进一步研究了由Fréchet copulas组合得到的Liebscher copulas的一个子类。我们建立了进一步的依赖性质，这一类的Copula，并表明，他们的特点是由一个任意数量的奇异分量。此外，我们引入了一种新的迭代表示一般Liebscher copula，事实上确保一致的利润率，从而放松了Liebscher的原始建设的约束。此外，我们证明了这种迭代构造是有用的推理，通过开发一个近似贝叶斯计算抽样方案。这一推理过程证明了模拟数据。
2019-06-26 math.ST stat.ME stat.TH
Bayesian copula-based spatial random effects models for inference with complex spatial data
本文提出了一种完全贝叶斯、基于 copula 的空间随机效应模型，通过低秩表示实现计算高效的推断，在参数估计和空间过程预测上优于 FRK 等基准方法，并成功应用于卫星大气甲烷分布制图。
2025-11-04 stat.CO stat.ME
Generalised bayesian sample copula of order $m$
在这项工作中，我们提出了一个半参数的二元copula的密度是由一个分段常数函数定义的不相交的平方。我们得到了模型参数的极大似然估计，并证明了在特定条件下，它们约化为样本Copula。我们进一步建议进行一个完整的贝叶斯模型分析，并引入一个空间依赖的先验分布的模型参数。这种先验允许参数在相邻区域借用强度，以产生平滑的后验估计。为了通过全条件分布来估计后验分布，我们提出了一种数据增强技术。一个大都市黑斯廷斯步骤是必需的，我们提出了一种新的适应计划的随机游动建议分布。我们实现了一个模拟研究和一个真实的数据集的分析，以说明我们的模型和推理算法的性能。
2023-03-09 stat.ME
Bayesian Gaussian Copula Graphical Modeling for Dupuytren Disease
Dupuytren病是一种病因不明的纤维增生性疾病，通常会进展并最终导致受影响手指的永久性挛缩。在本文中，我们提供了一个计算效率的贝叶斯框架，发现潜在的风险因素，并调查哪些手指共同受到影响。我们的贝叶斯方法是基于高斯copula图形模型，这是一个潜在的方式来发现潜在的条件独立结构的变量在多元混合数据。特别地，我们将半参数高斯copula与扩展秩似然相结合，适用于分析具有任意边缘分布的多元混合数据。对于图结构学习，我们构造了一个计算效率高的搜索算法，这是一个跨维MCMC算法的基础上的生灭过程。此外，为了使我们的统计方法易于其他研究人员使用，我们已经在C++中实现了我们的方法，并与R软件接口，作为R软件包BDgraph，可在线使用。
2015-09-15 stat.AP
Bayesian Copula Density Estimation Using Bernstein Yett-Uniform Priors
本文提出一类基于 yett-均匀先验的随机 Bernstein Copula 函数，研究其后验分布性质，并设计 MCMC 算法进行贝叶斯 Copula 密度估计，通过模拟与真实数据验证方法有效性。
2024-05-07 stat.ME
An Imputation model by Dirichlet Process Mixture of Elliptical Copulas for Data of Mixed Type
基于Copula的方法为建立混合类型多元数据的缺失数据插补模型提供了一种灵活的方法。然而，Copula函数的选择是一个悬而未决的问题。我们考虑了贝叶斯非参数方法，通过使用无限混合的椭圆copula诱导的Dirichlet过程的混合物，以建立一个灵活的copula函数。采用切片采样算法对无限维参数空间进行采样。为了克服多峰分布中的混合问题，我们将有限混合模型中的先验并行调和方法推广到Dirichlet过程混合模型.使用模拟，我们证明了无限混合Copula模型提供了一个更好的整体拟合相比，他们的单组分同行，并执行更好地捕捉尾部依赖功能的数据。仿真结果进一步表明，我们提出的模型实现了更准确的填补，特别是对连续变量和更好的推理结果在一些分析模型。该模型被应用于澳大利亚急性中风患者的医疗数据集。
2019-10-12 stat.ME
Approximate Bayesian inference in semiparametric copula models
我们描述了一个简单的方法进行推断的功能的多元分布。该方法是基于Copula表示的多变量分布，它是基于近似贝叶斯蒙特卡罗算法，其中建议的值的功能的利益加权的经验似然的属性。当与工作模型相关联的“真”似然函数太昂贵而无法评估时，或者当工作模型仅部分指定时，该方法特别有用。
2017-07-16 stat.CO stat.ME
A D-vine copula based model for repeated measurements extending linear mixed models with homogeneous correlation structure
我们提出了一个非平衡纵向数据的模型，其中单变量的利润率可以任意选择和依赖结构的描述与D-藤copula的帮助。我们表明，我们的方法是一个非常灵活的扩展广泛使用的线性混合模型，如果相关性是均匀的考虑个人。作为一种替代联合最大似然的序贯估计方法的D-vine Copula提供和验证的模拟研究。模型可以处理缺失值，而不会被迫丢弃数据。由于条件分布是已知的分析，我们很容易预测未来的事件。对于模型选择，我们根据我们的情况调整贝叶斯信息标准。在心脏手术数据的应用中，我们的模型明显优于竞争的线性混合模型。
2017-05-17 stat.ME
Sequential Bayesian Model Selection of Regular Vine Copulas
正则vine copula比多元Gaussian copula和多元Student's t copula能描述更广泛的依赖模式。本文提出了两个贡献有关的正则藤copula模型的选择。首先，我们的对copula家庭选择过程扩展了现有的贝叶斯家庭选择方法，允许对家庭从任意一组候选家庭中选择。其次，我们的方法代表了第一种将常规藤蔓密度构建纳入其推理范围的贝叶斯模型选择方法。我们的方法的优点是建立在一个模拟研究中，基准对目前文献中提出的方法。一个用于风险度量和投资分配的组合资产收益预测的实际数据例子说明了所提出的方案的可行性和相关性。
2015-12-03 math.ST stat.ME stat.TH
Bayesian heterogeneous copula mixtures with nonparametric margins: consistency, identifiability and tail asymmetry in physical fitness data
Shanghai University of Sport（上海体育大学）
本研究提出两阶段贝叶斯伪后验方法估计copula混合模型，证明其一致性与可识别性，并在体能数据中发现尾部不对称模式，优于高斯copula。
2026-10-07 stat.AP stat.CO stat.ME
Bayesian Nonparametric Modelling of Conditional Multidimensional Dependence Structures
近年来，允许变量之间的依赖关系根据一个或多个协变量的值而变化的条件Copula引起了越来越多的关注。在高维中，vine copula比多元copula提供更大的灵活性，因为它们是使用二元copula作为构建块来构建的。在本文中，我们提出了一种新的多元分布的推理方法，它结合了葡萄树结构的灵活性与贝叶斯非参数的优点，不需要指定的参数家庭的每对copula。使用葡萄树表达多变量Copula使我们能够轻松地解释驱动响应变量之间依赖性的协变量规范。更确切地说，我们指定葡萄藤copula密度作为高斯copula的无限混合，定义一个狄利克雷过程（DP）之前的混合措施，我们通过马尔可夫链蒙特卡罗（MCMC）采样进行后验推理。我们的方法是成功的聚类以及密度估计。我们进行了深入的模拟研究，并应用所提出的方法来调查自然灾害对金融发展的影响。我们的研究结果表明，该方法能够捕捉数据集的异质性，并揭示不同国家集群在自然灾害方面的不同行为。
2021-09-22 stat.ME
Model-based clustering of Gaussian copulas for mixed data
混合数据的聚类是一个具有挑战性的问题。在概率框架中，主要的困难是由于缺乏这种数据的传统分布。在本文中，我们建议实现混合数据聚类与高斯copula混合模型，因为copula，特别是高斯的，是强大的工具，很容易建模的多元变量的分布。实际上，考虑到连续、整数和有序变量的混合（因此都具有累积分布函数），该copula混合模型定义了类似于高斯混合的分量内依赖性，因此具有经典相关性含义。同时，它保留了与连续、整数和有序特征相关联的标准边缘，即高斯分布、泊松分布和有序多项分布。作为一个有趣的副产品，建议的混合模型推广了许多著名的，也提供了基于参数的可视化工具。在实践层面上，保留了贝叶斯推断，并使用Metropolis-within-Gibbs采样器实现。模拟和真实数据集上的实验最终说明了混合数据的模型的预期优势：灵活和有意义的参数化与可视化功能相结合。
2015-09-29 stat.ME
Bayesian Nonparametric Modeling for Multivariate Conditional Copula Regression with Varying Coefficients
Yonsei University（延世大学）
本文提出一种贝叶斯非参数框架，用于具有变系数的多元条件Copula回归，结合自适应样条边际回归与无限混合高斯Copula，通过Probit stick-breaking过程使权重随协变量变化，提供灵活的协变量依赖建模，避免显式全局约束。
2026-04-14 stat.ME
Probabilistic modelling of atmosphere-surface coupling with a copula Bayesian network
本研究开发了Copula贝叶斯网络（CBN）用于概率性插值温度廓线，替代NWP系统中的T2m诊断，有效减少了冬季稳定边界层的暖偏差并考虑了次网格空间变率的不确定性，为NWP参数化发展提供了适用性标准。
2025-09-15 physics.ao-ph stat.AP
Phylogenetically informed Bayesian truncated copula graphical models for microbial association networks
微生物在宿主健康中起着关键作用。高通量测序技术的进步为更深入地了解微生物相互作用提供了机会。然而，由于16S核糖体RNA测序的限制，微生物组数据是零膨胀的，并且不能在受试者之间进行微生物丰度的定量比较。通过利用最近的微生物组分析技术，量化16S核糖体RNA微生物计数，我们提出了一种新的贝叶斯图形模型，通过系统发育树之前，并明确说明零通货膨胀使用截断高斯copula微生物的进化历史。我们的模拟研究表明，进化信息大大提高了网络估计的准确性。我们将所提出的模型应用于106名健康受试者的定量肠道微生物组数据，并确定了现有微生物网络估计模型无法确定的三种不同的微生物群落。我们进一步发现，这些社区是基于微生物利用氧气作为能源的能力来区分的。
2021-05-11 stat.ME
An interpretable family of projected normal distributions and a related copula model for Bayesian analysis of hypertoroidal data
本文提出可解释的投影正态分布族及相关皮尔逊模型，用于贝叶斯分析超环面数据，通过边缘化和灵活扩展实现参数的直观解释。
2025-12-01 stat.ME
A Copula-based Imputation Model for Missing Data of Mixed Type in Multilevel Data Sets
本文提出了一种基于Copula函数的多变量混合数据缺失值处理方法。基于\cite{hoff2007extending}的扩展秩似然和多项概率模型，我们的模型是一个潜变量模型，它能够捕捉不同类型的变量之间的关系，以及占聚类结构。我们通过吉布斯抽样方案近似参数和缺失值的后验分布来拟合模型。我们使用多重插补程序，以纳入数据分析中的缺失值的不确定性。我们提出的方法进行评估，通过模拟比较它与几个传统的方法处理缺失数据。我们还将我们的方法应用于急性卒中单元多学科干预的整群随机对照试验的数据集。我们的结论是，我们提出的基于copula的混合型变量的插补模型在一些感兴趣的模型中实现了相当好的插补精度和参数恢复，并且当聚类效应较强时，添加随机效应可以提高性能。
2017-02-27 stat.ME
Bayesian model selection of vine copulas: a loss-based perspective
Università Cattolica del Sacro Cuore（天主教撒科鲁尔圣心大学）；University of Turin（都灵大学）；University of Exeter（埃克塞特大学）；King’s College London（伦敦国王学院）；Duke Kunshan University（杜克昆山大学）
针对贝叶斯藤蔓Copula模型选择计算成本高的问题，提出结合基于损失的模型先验与散弹随机搜索策略的新框架，实现稀疏性、快速结构选择及联合推断。
2026-06-23 stat.ME stat.ML
Learning Bayesian networks: a copula approach for mixed-type data
本文提出一种基于copula的贝叶斯结构学习方法，用于从同时包含连续、离散、有序和二元变量的混合数据中学习有向网络，并能纳入先验已知的边方向，模拟和实际数据验证了其有效性。
2023-12-20 stat.AP stat.ME
Bayesian Additive Regression Tree Copula Processes for Scalable Distributional Prediction
Scientific Computing Center, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院科学计算中心）；Melbourne Business School, University of Melbourne（墨尔本大学墨尔本商学院）
本文提出了一种基于贝叶斯加法回归树的 copula 过程模型，用于实现可扩展的分布预测，并通过模拟和实际数据验证了其有效性。
2026-10-07 stat.ME
A Bayesian Non-linear State Space Copula Model to Predict Air Pollution in Beijing
空气污染是一个严重的问题，目前影响着世界上许多工业城市，并可能导致严重的疾病的人口。特别是，已经证明，空气中极高含量的污染物对人类健康具有危险的短期影响，因为会增加因心血管和呼吸道疾病住院的人数，并增加死亡风险。因此，准确估计和预测空气污染物浓度至关重要。在本文中，我们提出了一种灵活的新方法来模拟2014年在北京收集的细颗粒物和气象数据的小时测量。我们表明，标准的状态空间模型，基于高斯假设，不能正确地捕捉观测的时间动态。因此，我们提出了一种非线性非高斯状态空间模型，其中观测和状态方程都由Copula规范定义，我们使用哈密顿蒙特卡罗方法进行贝叶斯推断。所提出的Copula状态空间方法是非常灵活的，因为它允许我们单独建模的边缘，并容纳各种各样的依赖结构的数据动态。我们表明，所提出的方法使我们不仅可以预测颗粒物测量，而且还调查用户指定的气候情景的影响。
2019-11-11 stat.AP
Use of copula to model within-study association in bivariate meta-analysis of binomial data at the aggregate level a Bayesian approach and application to surrogate endpoint evaluation
双变量荟萃分析提供了一个有用的框架，用于合并相关研究的信息，并已被用于合并临床研究的证据，以评价两种结局的治疗疗效。它还被用于研究替代终点的处理效应与最终结局之间的替代模式。替代终点在药物开发中发挥重要作用，因为它们可用于与最终结局相比早期测量处理效应，并预测临床获益或危害。标准双变量荟萃分析方法使用双变量正态分布，在研究内和研究间水平上对观察到的治疗对替代药物的影响和最终结局结局进行建模。对于二项分布数据，可以使用对数比值比尺度上的正态近似。然而，当事件比例接近1或0时，该方法可能导致偏倚结果，影响替代终点的验证。在本文中，我们将探讨在原始二项尺度上对这两种结果进行建模。首先，我们提出了一种使用独立二项似然来模拟研究内变异性的方法，避免近似观察到的处理效应。然而，该方法忽略了研究内关联。为了克服这个问题，我们提出了一种方法，使用二元copula与二项式边际，这使得模型能够考虑研究内的关联。我们应用该方法的一个说明性的例子，在慢性粒细胞白血病完全细胞遗传学反应（CCyR）和无事件生存期（EFS）之间的替代关系进行调查。
2022-05-18 stat.AP stat.ME
Bayesian Modular Inference for Copula Models with Potentially Misspecified Marginals
National University of Singapore（新加坡国立大学）；Monash University（蒙纳士大学）；University of Melbourne（墨尔本大学）
本文提出一种新的Copula SMI方法，通过贝叶斯优化选择影响参数，实现对边缘分布和Copula函数误指定的鲁棒推断，应用于对称性依赖的权益波动与债券收益率的Copula模型。
2026-09-23 econ.EM math.ST stat.ME
Copula Approximate Bayesian Computation Using Distribution Random Forests
该研究提出名为copulaABcdrf的新型近似贝叶斯计算框架，结合分布随机森林与多元copula元t分布估计后验分布，兼具变量选择、模型选择等功能，在多类模拟与真实网络数据上表现优于标准ABC方法，还可缓解模拟成本问题。
2024-09-11 stat.CO stat.ME
Additive Models for Conditional Copulas
条件Copula是一种灵活的统计工具，它将联合条件分布和边际条件分布耦合起来。在一个线性回归设置有一个以上的协变量和两个依赖的结果，我们提出了使用添加剂模型的条件二元Copula模型，并讨论计算和模型选择工具进行贝叶斯推断。该方法是使用模拟和一个真实的例子说明。
2014-07-30 stat.ME
A Bayesian semiparametric Archimedean copula
阿基米德Copula的特征在于它的生成元。这是一个实函数，其逆函数表现为生存函数。我们提出了一个基于二次样条的半参数发生器。这是通过在生存分析背景下将风险率函数的一阶导数建模为分段常数函数来实现的。我们的半参数生成器的凸性是通过施加一些简单的约束。诱导的半参数阿基米德copula产生肯德尔的tau关联措施，涵盖了整个范围$(-1,1)$。在贝叶斯方法下对模型进行推断，并且对于一些先前的规范，我们能够执行独立性测试。该模型的特性说明了模拟研究以及与一个真正的数据集。
2019-08-12 math.ST stat.TH
Conditional Copula models using loss-based Bayesian Additive Regression Trees
Newcastle University（纽卡斯尔大学）；Kings College London（伦敦国王学院）；Duke Kunshan University（杜克昆山大学）
本文提出基于损失函数的贝叶斯加性回归树方法，用于构建条件Copula模型，通过减少树复杂性和自适应MCMC算法，提高模型对复杂依赖关系的建模能力。
2026-03-10 stat.ME
Bayesian Copula Density Deconvolution for Zero-Inflated Data in Nutritional Epidemiology
不同膳食成分长期平均摄入量的边际密度和联合密度的估计是营养流行病学中的一个重要问题。由于这些变量不能直接测量，数据通常收集的形式，24小时召回的摄入量，这表明显着的模式的条件异方差。显著加剧了挑战，召回的间歇性消费的饮食成分也包括确切的零。从观测到的受测量误差污染的代用指标中估计潜在长时间摄入量的密度的问题则是具有零膨胀数据的密度的反卷积问题。我们提出了一个贝叶斯半参数的解决方案的问题，建立在一个新的层次隐变量框架，将问题转化为一个只涉及连续代理。至关重要的是，以适应问题的重要方面，然后，我们设计了一个基于Copula的方法来建模所涉及的联合分布，采用不同的建模策略的边缘不同的饮食成分。我们设计了有效的马尔可夫链蒙特卡罗算法进行后验推理，并通过仿真实验说明了所提出的方法的有效性。应用于我们的激励营养流行病学问题，相比其他方法，我们的方法提供了更现实的估计消费模式的消费模式的流行性消费的饮食成分。
2019-12-11 stat.ME
A Copula Based Bayesian Approach for Paid-Incurred Claims Models for Non-Life Insurance Reserving
我们的文章认为，最近开发的随机模型，结合索赔支付和发生的损失信息到一个连贯的准备金方法。特别地，我们结合Hertig et al.（1985）和Gogol et al.（1993）的索赔准备金模型，发展了一个分层贝叶斯支付-发生-索赔模型族。在这个过程中，我们扩展了Merz等人（2010）的独立对数正态模型，通过使用数据增强混合Copula支付-发生索赔模型来合并不同的依赖结构。将支付和已发生的损失纳入未偿损失负债和由此产生的准备金的完整预测分布的估计中的效用和影响在以下情况下得到证明：（i）独立支付（P）数据模型;（ii）Merz等人（2010）的独立支付-已发生索赔（PIC）数据模型;（iii）一种新的相关滞后年伸缩块对角高斯Copula PIC数据模型，通过变换结合共轭;（iv）一种新的数据增强混合阿基米德Copula相关PIC数据模型。通过一类自适应马尔可夫链蒙特卡罗抽样算法，在这样的模型中的推理。这些方法结合了一个数据增强框架，用于有效地评估基于Copula的PIC模型在损失预留三角形中的可能性。自适应策略基于由对称矩阵的指数表示正定协方差矩阵，如Leonard等人（1992）所提出的。
2012-12-09 q-fin.RM stat.AP stat.CO
Bayesian estimation of large dimensional time varying VARs using copulas
本文提供了一个简单的，但可靠的，替代（贝叶斯）估计的条件均值方程和/或协方差结构中随时间变化的大型多元VAR。与我们的新方法，原来的多变量，n维模型被视为一组n个单变量估计问题，交叉依赖是通过使用Copula处理。因此，在估计单个方程时，仅需要单变量分布函数，其通常以封闭形式可用，并且易于使用MCMC（或其他技术）处理。对各个方程进行并行估计。然后，将各个后验与copula相结合，从而获得可以容易地重新采样的联合后验。我们说明了我们的方法，将其应用到一个大的时变参数VAR与25个宏观经济变量。
2019-12-28 econ.EM stat.OT
Improving forecasting performance using covariate-dependent copula models
Copula函数为构造具有灵活边缘分布和不同依赖形式的多元分布提供了一种有吸引力的方法。在许多领域特别重要的是明确预测尾部依赖的可能性。大多数现有的方法只能通过讨厌的参数来估计尾部依赖性和相关性，但既不能用于解释，也不能用于预测。为了提高copula预测性能，我们提出了一种通用的贝叶斯方法建模和预测的尾部相关性和相关性作为显式函数的协变量。建议的协变量依赖的copula模型还允许贝叶斯变量之间的选择，从边际模型以及copula密度。我们研究的Copula包括Joe-Clayton Copula、Clayton Copula、Gumbel Copula和Student的\emph{t} -Copula。后验推理是使用一种有效的MCMC模拟方法。我们的方法适用于模拟数据和标准普尔100和标准普尔600指数。将所提出的方法的预测性能与基于日志预测分数的其他建模策略进行比较。在风险价值评估也进行了模型比较。
2018-05-21 stat.CO stat.ME
Bayesian estimation of a bivariate copula using the Jeffreys prior
具有连续边界的二元分布可以通过Copula及其边缘分布唯一分解。我们考虑估计Copula函数的问题，并采用贝叶斯方法。在Copula函数空间上，我们构造了一个由双随机阵参数化的有限维逼近子空间。这里的一个主要问题是选择一个先验分布的空间的双随机阵也被称为伯克霍夫多面体。本文的主要贡献是推导了一个简单的Jeffreys先验公式，并证明了它是正确的。在文献中已知，对于像这里处理的复杂问题，上述结果是难以获得的。然后通过马尔可夫链蒙特卡罗方法对Jeffreys先验的贝叶斯估计进行数值评估。进行了较为广泛的模拟实验。在许多情况下，结果有利于贝叶斯估计超过频率估计，如标准核估计和Deheuvels估计的均方误差。
2012-07-03 math.ST stat.CO stat.ME
Bayesian Posterior Learning of Mixed Graphical Models
University College London（伦敦大学学院）；National University of Singapore（新加坡国立大学）
本文提出Mixed Graph WWA方法，通过潜在高斯变量和两种似然设定实现混合图模型的贝叶斯结构学习，在模拟和乳腺癌数据上验证了其准确性和高效性。
2026-09-23 stat.AP stat.CO stat.ME
Objective priors for the number of degrees of freedom of a multivariate t distribution and the t-copula
提出了一种估计多变量$t$分布和$t$ -copula的自由度数$(ν)$的客观贝叶斯方法。对于多变量$t$和由于没有任何方法，对于$t$ -copula，对这个参数的推断是有问题的。采用了基于损失函数的客观标准，可以克服直接定义客观概率的问题。$ν$的先验的支持被截断，这来自于多变量$t$和$t$ -copula对于足够大的自由度收敛到正态的性质。先验的性能进行了测试模拟场景。R代码和复制材料可作为论文电子版的补充材料和真实数据：IBM和证券价格数据库研究中心的每日对数回报。
2018-03-13 stat.AP stat.ME
COBRA-DOSE: Copula-based Bayesian Model Averaging for Dose Selection
The University of Queensland（昆士兰大学）
COBRA-DOSE是基于Copula的贝叶斯模型平均框架，用于小样本剂量选择，通过R包实现，在类风湿关节炎I期试验中验证了其性能，可辅助临床决策。
2026-08-14 stat.ME
Nonparametric Copula Models for Multivariate, Mixed, and Missing Data
针对现代数据集中混合数据类型与缺失值的挑战，提出一种贝叶斯混合 Copula 模型进行非参数联合建模，并引入无需指定边际模型的高效边际分布估计策略，实现了卓越的缺失数据插补与推断能力。
2023-04-07 math.ST stat.ME stat.TH
Bayesian Copula Directional Dependence is Cross-Network Robust for Gene-Regulatory Pair Direction: A Benchmark Study on DREAM5
School of Mathematics and Statistics, University of Sydney（悉尼大学数学与统计学院）
提出贝叶斯Copula方向依赖性（CDD）方法，在DREAM5三个核心网络上始终优于八种对比方法，准确率>60%、覆盖率>88%、方向AUROC>0.6，且对样本量减少稳健。
2026-06-28 stat.AP
Cutting Feedback in Misspecified Copula Models
针对 Copula 模型中边际分布与 Copula 函数的模块化错误设定问题，提出通过“切断反馈”限制错误模块影响的改进贝叶斯推断方法，并开发新的变分推断算法，理论证明与实证均显示其能提供准确的不确定性量化并显著提升预测精度。
2024-06-27 econ.EM math.ST stat.ME
Amortized Bayesian Inference for Spatio-Temporal Extremes: A Copula Factor Model with Autoregression
本研究提出带自回归因子的贝叶斯时空Copula极值模型，结合嵌入摊销神经后验估计的Gibbs采样实现高效推断，经模拟和降水数据验证，可提升估计精度，为热带干旱地区气候风险管理提供支持。
2025-10-02 stat.ME
Extending approximate Bayesian computation methods to high dimensions via a Gaussian copula model
近似贝叶斯计算（ABC）是指在复杂模型的贝叶斯分析中使用的一系列推理方法，其中很难评估可能性。传统的ABC方法往往遭受灾难的维数，和边缘调整策略最近在文献中介绍，以提高性能的ABC算法在高维问题。边际调整方法扩展使用高斯copula近似。该方法首先使用二维高斯copula分别估计每对参数的二元后验，然后将这些估计组合在一起来估计联合后验。当后验分布近似为正态分布时，这种近似在大样本情况下效果很好，但由于边缘后验分布的非参数估计，在许多情况下也效果很好。如果每个二元后验分布都可以用低维ABC分析很好地估计，那么这种高斯copula方法可以将ABC方法扩展到高维问题。该方法还导致近似后验的解析表达式，这是有用的，用于许多目的，如近似的可能性本身。用几个例子说明了这种方法。
2016-07-07 stat.CO
Bayesian segmented Gaussian copula factor model for single-cell sequencing data
针对单细胞测序数据中零膨胀和高偏度问题，提出贝叶斯分段高斯连接函数因子模型，利用Dirichlet-Laplace先验自动确定潜在因子数量，成功识别生物学潜在因子并发现新细胞亚型。
2024-03-24 stat.ME
