Gaussian Process Vine Copulas for Multivariate Dependence
Copula允许学习边缘分布独立于多元依赖结构（copula），多元依赖结构将它们连接到一个密度函数中。藤因子分解通过构造条件二元copula的层次结构来简化高维copula的学习。然而，为了简化推理，通常假设这些条件二元Copula中的每一个都独立于其条件变量。在本文中，我们放松了这一假设，发现潜在的功能，指定的形状的条件Copula给定其条件变量我们学习这些功能的贝叶斯方法的基础上稀疏高斯过程的期望传播可扩展的，近似的推理。在真实世界数据集上的实验表明，当对所有条件依赖进行建模时，我们可以更好地估计数据的底层copula。
2013-02-16 stat.ME stat.ML
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
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
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
Bayesian nonparametric mixtures of Archimedean copulas
University of Toronto（多伦多大学）；ITAM（墨西哥自治技术学院）
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
Gaussian Process Conditional Copulas with Applications to Financial Time Series
多个变量之间的相关性估计是金融时间序列分析中的一个核心问题。一种常见的方法是用Copula函数来表示这些依赖关系。通常，Copula函数被假设为常数，但当协变量可能对数据的依赖结构产生很大影响时，这可能不准确。为了说明这一点，贝叶斯框架的条件Copula的估计。在这个框架中，Copula的参数与一些任意的条件变量非线性相关。我们评估我们的方法来预测随时间变化的依赖于几个股票和货币的能力，并观察到一致的性能收益相比，静态copula模型和其他随时间变化的copula方法。
2013-07-01 stat.ML
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
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
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
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 Copula-based Fully Bayesian Nonparametric Evaluation of Cardiovascular Risk Markers in the Mexico City Diabetes Study
心血管疾病是世界范围内的主要死亡原因，已经进行了一些研究来了解和探索血糖正常和糖尿病人群中的心血管风险标志物。在这项工作中，我们探讨了高血糖标志物和心血管风险标志物之间的关联结构控制甘油三酯，体重指数，年龄和性别，在墨西哥城糖尿病研究的血糖正常人群。了解这种关联结构有助于在低收入城市人群中评估其他心血管风险标志物，这些人群具有高流行率的经典心血管风险生物标志物。关联结构由条件Kendall τ来衡量，通过条件Copula函数来定义。后者又根据完全贝叶斯非参数方法建模，该方法允许copula函数的完整形状随受控协变量的不同值而变化。
2021-08-20 stat.AP stat.ME
Copula-based measures of asymmetry between the lower and upper tail probabilities
我们提出了一个基于Copula的测量的双变量分布的上下尾概率之间的不对称性。所提出的措施有一个简单的形式，并拥有一些理想的属性作为衡量不对称性。在一定的条件下，所提出的测度在指数到达其定义域边界时的极限可以用一种简单的形式表示。从Copula样本的建议措施的一个样本模拟和弱收敛到一个高斯过程。另一个样本模拟所提出的措施，这是基于一个样本从分布$\mathbb{R}^2$，给出。给出了基于两个样本相似的区间估计和非参数检验的简单方法。作为一个例子，所提出的措施适用于标准普尔500和日经225的每日收益率。
2020-08-04 stat.ME
A copula-based rank histogram ensemble filter
提出Copula秩直方图滤波器（CoRHF），通过经验Copula捕捉条件依赖，实现串行集合滤波中的三角贝叶斯推断，并在二维、Lorenz '63及高维Lorenz '96问题上验证有效性。
2025-06-18 math.PR 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 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
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
Nonparametric Estimation of Conditional Copula using Smoothed Checkerboard Bernstein Sieves
针对条件copula半参数估计需选择参数模型的问题，提出基于经验棋盘Bernstein copula的全非参数估计方法，推导了条件依赖度量的闭式估计，证明了大样本相合性，并通过模拟和实际案例验证了其性能。
2023-11-06 stat.ME
Extending one-factor copulas
到目前为止，单因素Copula诱导条件独立的潜在因素。本文将单因子Copula推广到条件相依模型。这是通过新的表示，允许建立新的参数因子copula与不同的条件依赖结构。我们讨论这些表示的估计和性质。为了区分条件独立和条件依赖因子copula，我们提供了一种新的统计测试，不假设任何参数形式的条件依赖结构。通过实例、数值实验以及真实数据分析，对我们的框架进行了说明。
2016-12-08 stat.ME
Prediction based on conditional distributions of vine copulas
Vine Copula是一个灵活的工具，用于多变量非高斯分布。对于来自观测研究的数据，其中解释变量和响应变量一起测量，建议的葡萄树copula回归方法使用常规葡萄树并处理混合的连续和离散变量。该方法可以有效地计算给定解释变量的响应变量的条件分布。所提出的方法的性能进行评估模拟数据集和真实数据集。实验表明，在条件异方差的情况下，vine copula回归方法优于线性回归。
2019-04-29 stat.ME
Learning Functional Graphs with Nonlinear Sufficient Dimension Reduction
Yonsei University（延世大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种基于非线性充分维度缩减的非参数函数图模型，通过避免维度灾难提高估计精度，并保留概率条件独立性作为边不存在的标准。
2026-01-22 stat.ME stat.ML
Estimating Non-Simplified Vine Copulas Using Penalized Splines
藤蔓copula（或pair-copula构造）已成为高维依赖建模的重要工具。通常，所谓的简化葡萄树Copula模型估计，其中二元条件Copula近似为二元无条件Copula。我们提出了第一个非参数估计的非简化葡萄树copula，允许不同的条件copula使用惩罚层次B样条。在整个葡萄树Copula中，我们在每个边缘测试简化假设，建立数据驱动的非简化葡萄树Copula估计。为了克服维数灾难，我们用第一个主成分作为条件变元的条件copula来近似具有多个条件变元的条件copula。一个广泛的模拟研究进行，显示了显着改善的样本外库尔贝克-莱布勒散度，如果原假设的一个简化的葡萄Copula可以被拒绝。我们将我们的方法应用于著名的铀数据，并提出了一个分类的眼状态数据集，展示了潜在的好处，可以实现条件Copula建模时。
2016-12-14 stat.ME
Statistical Testing for Conditional Copulas
在条件Copula模型中，Copula参数通过校准函数确定性地链接到协变量。后者是推理的核心兴趣，通常是非参数估计。然而，当校准函数的参数模型是适当的，所得到的估计量表现出显着的收益，统计效率，需要较小的计算成本。我们开发的方法来测试一个参数制定的校准函数对一般的替代品，并提出了一个广义的似然比型测试，使条件Copula模型诊断。我们推导出该检验的渐近零分布，并通过仿真研究了其有限样本性能。该方法适用于两个数据的例子。
2012-04-30 stat.ME
Assessing Data Support for the Simplifying Assumption in Bivariate Conditional Copulas
研究了二元条件Copula模型中简化假设（SA）的数据支持的建立问题。众所周知，SA极大地简化了条件Copula模型的推理，但是用于测试SA的标准工具和方法往往不能提供可靠的结果。在将观测数据分成训练集和测试集之后，所提出的方法将使用灵活的训练数据贝叶斯拟合来定义基于随机化和标准渐近理论的测试。该方法的理论依据和它的性能进行了研究，使用模拟数据。本文还讨论了感兴趣的替代模型的实现，例如高斯，Logistic和分位数回归。
2019-09-27 stat.ME
A Bayesian latent Gaussian conditional autoregressive copula model for analyzing spatially-varying trends in rainfall
本文提出一种基于贝叶斯隐高斯条件自回归Copula模型的空间变化降雨趋势分析方法，用于评估气候变化对降雨的影响。
2025-12-16 stat.AP
Parametric estimation of conditional Archimedean copula generators for censored data
本文提出含内生变量的条件阿基米德Copula生成元参数估计新方法，通过直接估计生成元放宽传统简化假设，经两类场景验证可更准确捕捉依赖结构，提升精算等场景的模型适用性。
2024-04-10 stat.ME
Conditional copula graphic estimator for semi-competing risks data
Children’s Hospital Research Institute of Manitoba, University of Manitoba（曼尼托巴儿童医院研究所，曼尼托巴大学）；Department of Mathematics and Statistics, University of Guelph（圭尔夫大学数学与统计系）；Hospital for Sick Children（多伦多多伦多儿童医院）；Department of Statistics, University of Manitoba（曼尼托巴大学统计系）
针对半竞争风险数据中对非终端事件时间生存函数估计受终端事件相依删失影响的问题，提出条件copula图形估计器，可进行协变量调整，通过顺序迭代算法得到，用模拟和真实数据评估其性能并与无条件估计器比较。
2026-07-14 stat.ME
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
Conditional Copula Models for Right-Censored Clustered Event Time Data
本文提出了一种建模策略来推断协变量对右删失聚类事件时间数据的依赖结构的影响。联合生存函数的事件时间建模使用参数条件Copula，其参数依赖于一个集群级协变量的功能。我们使用局部似然方法来估计Copula参数的形式，并概述了广义似然比型测试策略，正式测试其恒常性。采用引导程序来获得测试的近似$p$值。所提出的估计和测试方法的性能进行评估，在模拟下不同的右删失率和各种参数copula家庭，考虑参数和非参数估计的利润。我们将这些方法应用于糖尿病视网膜病变研究的数据，以评估发病年龄对视力丧失的影响。
2016-06-04 stat.ME
On the connection between cherry-tree copulas and truncated R-vine copulas
藤蔓连接是一种灵活的依赖建模方法，只使用对连接作为构建块。然而，如果变量的数量增加，问题就会变得非常棘手。为了解决这个问题，Brechmann等人提出了截断的R-vine copula。截断的R-藤copula具有一个非常有用的性质，即它可以仅由成对copula和条件成对copula构造。在我们的早期论文中，我们介绍了樱桃树Copula的概念。本文刻画了樱桃树Copula与截断R-vine Copula之间的关系。两者都是基于利用变量之间的一些条件独立性。本文给出了樱桃树copula是截断R-藤copula的一个充要条件。我们介绍了一个新的角度截断R-藤建模。新的思想是首先找到一个很好的拟合樱桃树copula的顺序$k$。然后，如果这也是一个截断的R-vine copula，我们应用本文介绍的向后算法。这样，导致它的树序列的构造就成为可能。因此，樱桃树copula可以表示为pair-copula和条件pair-copula。当拟合的$k$阶樱桃树copula不是截断的R-vine copula时，给出了一个在$k+1$层上将其转化为截断的R-vine copula的算法.因此，这种樱桃树copula也可以用pair-copula表示。
2016-07-02 stat.ME
Gradient-Boosted Generalized Linear Models for Conditional Vine Copulas
针对条件藤Copula的参数估计问题，提出结合梯度提升与广义线性模型的方法，通过关联协变量与Kendall's τ实现参数估计与协变量选择，经模拟和天气预报后处理实验验证性能优于基准，并提供对应R包。
2024-06-19 stat.AP stat.ME
Spatial Cluster-based Copula Model to Interpolate Skewed Conditional Spatial Random Field
在没有高斯性假设的情况下，内插具有缺失数据的偏斜条件空间随机场是麻烦的。保持观察到的随机空间点周围的空间均匀性和连续性也是具有挑战性的，特别是当沿着空间表面插值时，将边界点作为邻域。否则，远离一个点的点可能看起来最接近另一个点。因此，在空间随机场上引入层次聚类的概念，就像用期望最大化算法的接口开发copula并同时利用贝叶斯框架的思想一样方便。本文引入了一种基于空间聚类的C-vine copula和一种改进的高斯核函数，推导出一种新的空间概率分布。本文的另一项研究使用了一种算法结合不同的参数估计技术，使基于空间的copula插值更兼容和有效。我们提出的空间插值方法，德里的空气污染作为一个重要的环境研究，以证明这种新开发的新的空间估计技术。
2022-05-25 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
Probabilistic Crop Yields Forecasts With Spatio-Temporal Conditional Copula Using Extreme Weather Covariates
本文提出一种结合贝叶斯结构时间序列与时变条件Copula的作物产量预测模型，利用动态广义极值模型刻画极端天气影响，并改进聚类算法实现大规模应用。
2025-03-28 stat.ME
Conditional independence testing via weighted partial copulas and nearest neighbors
本文介绍了测试条件独立性的\textit{weighted partial copula}函数。建议的测试程序结果从这两个成分：（i）测试统计量是一个显式的克莱默-冯米塞斯变换的\textit{weighted partial copula}，（ii）拒绝的区域计算使用自举程序，它模仿条件独立性的估计条件边际的产品措施产生的样本。在条件独立性下，证明了当边缘估计采用光滑局部线性估计时，\textit{weighted partial copula proces}的弱收敛性.最后，一个实验部分表明，所提出的测试具有竞争力相比，最近的国家的最先进的方法，如基于内核的测试。
2021-02-12 stat.ME stat.ML
Conditional Normal Extreme-Value Copulas
提出了一类新的极值copula，它是条件正态模型的极值极限。条件正态模型是条件独立模型的推广，其中观测变量之间的依赖关系使用一个未观测因子建模。在这个因子的条件下，这些变量的分布由高斯Copula给出。这种结构允许人们为具有复杂依赖结构的数据（例如具有空间依赖或因子结构的数据）构建灵活和简约的模型。我们研究了这些模型的极值极限，并显示了一些有趣的特殊情况下，所提出的类copula。我们开发的估计方法所提出的模型，并进行模拟研究，以评估这些算法的性能。最后，我们应用这些Copula模型来分析月风最大值和股票收益率最小值的数据。
2021-02-14 stat.AP stat.ME
Copula-based Partial Correlation Screening: a Joint and Robust Approach
三维特征的筛选可能会遇到复杂的问题，如离群观察，异方差或重尾分布，多重共线性和混杂效应。标准的基于相关性的边际筛选方法可能是这些问题的弱解。我们贡献了一个新的强大的联合筛选，以防止离群值和分布误指定的响应变量和协变量，并考虑到外部变量在筛选步骤。具体来说，我们介绍了一个基于Copula的偏相关（CPC）筛选。我们发现，估计CPC的经验过程弱收敛到一个高斯过程，并建立一定的筛选性能CPC筛选器在非常温和的技术条件下，我们不需要任何时刻的条件，弱于现有的替代文献。此外，从理论的角度来看，我们的方法允许条件变量的发散数量。广泛的模拟研究和两个数据的应用，以说明我们的建议。
2018-12-23 math.ST stat.TH
Vine Copulas as Differentiable Computational Graphs
National University of Singapore（新加坡国立大学）；University of Applied Sciences Western Switzerland (HES-SO)（瑞士西部应用科学与艺术大学）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本研究将藤copula重构为可微计算图，设计了条件采样等新算法，推出GPU加速库torchvinecopulib，实验证明其在自动编码器改进和深度学习不确定性量化上性能优于多种主流方法，打通了经典相关性建模与现代深度学习工具链。
2025-06-16 cs.AI cs.LG stat.ML
D-vine copula based quantile regression
分位数回归，即条件分位数的预测，在统计建模和金融应用中逐渐获得重要性。作者介绍了一种新的半参数分位数回归方法的基础上，顺序拟合的似然最优D-藤copula给定的数据，导致高度灵活的模型，易于提取的条件分位数。作为正则vine copula的一个子类，D-vines使得能够根据二元构建块对多元copula进行建模，即所谓的pair-copula构造（PCC）。该算法的工作速度快，准确，即使在高维，并采用了自动变量选择最大化的条件对数似然。此外，分位数回归的典型问题，如分位数交叉或变换，变量的相互作用和共线性，都将自动处理。在一个模拟研究中，与已建立的分位数回归方法相比，该方法提高了精度并节省了计算时间。国际信用违约互换（CDS）数据，包括压力测试和风险价值（VaR）预测的广泛的金融应用表明，所提出的方法的实用性。
2016-11-16 stat.ME
Conditional Inferences Based on Vine Copulas with Applications to Credit Spread Data of Corporate Bonds
了解公司债券信用利差的相关关系对于风险管理具有重要意义。利用具有尾部相关性的Vine Copula模型对中国企业债券的信用利差数据进行分析，了解不同行业之间的相关性，并进行条件推断。它显示了尾部相关的影响如何影响风险转移，或条件分布给定一个变量是极端的。与线性回归相比，藤蔓copula模型也提供了更准确的交叉预测结果。这些条件推理技术是一个统计分析的债券信用利差的投资组合，包括来自不同部门的公司债券的贡献。
2020-08-12 stat.AP stat.ME
Simplified Pair Copula Constructions --- Limits and Extensions
所谓的对Copula结构（PCC），只指定多元分布的二元积木（对Copula），构成了一类灵活的依赖模型。为了使它们易于推理和模型选择，条件分布的Copula不依赖于它们所依赖的变量的值的简化假设是流行的。在本文中，我们展示了这种简化适用于哪类分布，大大扩展了Hobæk Haff et al.（2010）的讨论。特别是，我们表明，唯一的阿基米德copula在尺寸d \geq 4这是简化的类型是基于伽玛拉普拉斯变换或其扩展，而学生t copula是唯一的一个所产生的规模混合的法线。此外，我们说明了如何PCC可以适应的情况下，条件Copula依赖于值的条件。
2012-05-22 stat.ME
Cumulative Conditional Expectation Index
在本文中，我们研究的累积条件期望函数（CCEF）的copula背景下。它示出了如何计算CCEF的累积Copula函数，这种自然的表示允许推导出一些有用的属性，例如与应用程序的Copula凸组合。我们介绍了CCEF的Bernstein多项式Copula的基础上的近似。我们介绍估计CCEF，这是通过伯恩斯坦多项式估计copula构建。CCEF的估计量是渐近正态和有偏的。
2015-03-16 stat.AP stat.ME
LocalCop: An R package for local likelihood inference for conditional copulas
LocalCop 是一个 R/C++ 包，基于局部似然推断框架实现计算高效的半参数条件 copula 建模，支持将多变量依赖结构作为协变量函数进行估计。
2024-03-27 stat.CO stat.ME
Covariate-adjusted statistical dependence representation through partial copulas: bounds and new insights
Carlos III University of Madrid（马德里卡洛斯三世大学）；Ghent University（根特大学）
本文重新审视部分Copula的概念，证明其可作为偏相关的非线性类比，并揭示条件Copula的依赖性如何约束部分Copula的形式，通过模拟展示其在因果推断中恢复因果效应真实符号的潜力。
2026-05-24 stat.ME
A quantile-copula approach to conditional density estimation
我们提出了一个新的核型条件密度的非参数估计。它是基于一个有效的转换的数据分位数变换。利用Copula表示，它有一个显著的乘积形式。我们研究了它的渐近性质，并基于非参数回归将它的偏差和方差与竞争对手进行了比较。
2008-06-12 math.ST stat.ME stat.TH
Hidden regular variation, copula models, and the limit behavior of conditional excess risk measures
边际预期不足和边际平均超额等风险度量量化了条件风险，特别是有助于理解系统性风险。在许多这样的情况下，模型表现出重尾的利润和渐近尾独立的联合行为发挥了重要作用。隐规则变分的概念有一个优点，它可以模拟两种性质：渐近尾独立性和重尾。解决这些问题的另一种方法是通过copula。首先，我们引出隐藏的规则变化和尾copula参数的行为之间的连接，扩展了以前在这方面的工作。然后，我们研究了上述条件超额风险测度的渐近行为;首先在隐藏的正则变化下，然后在尾copula参数的限制下，不一定假设隐藏的正则变化。我们提供了各种各样的例子，模型承认重尾和渐近尾独立性，以及隐藏的规则变化和适当的限制行为的风险措施的利益。
2018-02-06 math.PR stat.ME
SL-vine and $Δ$-vine copula models
Department of Mathematics and Computer Science, Faculty of Science, Chulalongkorn University（朱拉隆功大学理学院数学与计算机科学系）
本研究提出节点度上限为三的 R-vine 子类（SL-vine 和 $\Delta$-vine），作为传统 vine copula 的替代方案，统计结果验证其有效性。
2026-09-25 stat.ME
A Gaussian copula joint model for longitudinal and time-to-event data with random effects
纵向和生存子模型是纵向和事件发生时间数据联合建模的两个组成部分。广泛的研究表明，这两个过程的单独分析可能会导致有偏见的输出，由于它们的关联。在考虑群体异质性的同时，考虑潜在类别或随机效应，生物标志物和事件时间过程测量之间的条件独立性是表征两个子模型之间关联的常用方法。然而，由于不可观测的潜变量，这个假设很难验证。因此，提出了一个具有随机效应的高斯copula联合模型，以适应条件独立性假设有问题的情况。在我们提出的模型中，假设条件独立的传统联合模型是一个特殊的情况下，在高斯copula的关联参数收缩为零。仿真研究和实际数据的应用进行了评估我们提出的模型的性能。此外，个性化的动态预测的生存概率的基础上所提出的模型和比较下得到的预测传统的联合模型。
2022-09-21 stat.ME
Single-index copulae
我们引入所谓的“单指数Copula”。它们是半参数条件Copula，其参数仅为单变量指数的未知“链接”函数。我们提供了这个链接函数和有限维未知参数的估计。后者估计的渐近性质。由于条件Kendall τ的一些性质，我们用几个常见的Copula族来说明我们的技术条件。
2017-07-04 math.ST stat.ME stat.TH
Index-mixed copulas
Université de Sherbrooke（舍布鲁克大学）；The University of Hong Kong（香港大学）
研究引入指数混合Copulas，由基础Copulas和随机指数向量构建，推导其解析形式与密度，给出采样算法，研究多种性质并应用，还解释了EFGM Copulas族，展现出解析易处理且不受限的特点。
2026-07-29 math.PR stat.ME stat.OT
A nonparametric copula approach to conditional Value-at-Risk
风险价值及其条件寓言，考虑到有关经济环境的可用信息，构成了巴塞尔银行业市场风险评估框架的核心。在本文中，提出了一个新的非参数框架估计这个条件的风险价值。一个非参数的方法是特别相关的，因为传统上使用的参数分布已被证明是不够强大和灵活的，在大多数的股票回报数据集在实践中观察到。该方法提取的分位数的条件分布的兴趣，其估计是基于一种新的估计的Copula描述的动态依赖性的一系列回报的密度。真实世界的回测分析表明，该方法的潜力，其性能可能优于其行业同行。
2019-10-02 q-fin.ST stat.AP stat.ME
Causal Domain Adaptation with Copula Entropy based Conditional Independence Test
Hitachi China Research Laboratory（日立中国研究院）
领域自适应（DA）是机器学习中的一个典型问题，其目的是将在源域上训练的模型迁移到具有不同分布的目标域上。因果性DA是DA的一种特殊情况，它从因果关系的角度解决问题。它将多个域中的概率关系嵌入到系统的一个更大的因果结构网络中，并试图找到系统上的因果源（或干预）作为系统状态跨域分布漂移的原因。从这个意义上说，因果DA转换为因果发现问题，通过状态变量和系统的可观察状态之间的条件独立性，发现跨域的不变表示给定干预。检验条件独立性是因果发现的基石。最近，基于Copula熵的条件独立性检验被提出，它具有严格的理论和非参数估计方法。本文首先给出了因果DA问题的一个数学模型，然后提出了一种基于Copula熵的条件独立性检验的因果DA问题跨域不变表示方法。两个仿真数据验证了该方法的有效性。该方法的力量，然后证明了两个现实世界的数据：成人人口普查收入数据和步态特征数据。
2022-02-27 cs.LG stat.ME
Conditional copula representations and extremal bounds for multivariate statistical functionals
University of Brasília（巴西利亚大学）
本文推导了多元统计泛函期望的条件Copula表示，建立了固定边缘下的极值界，通过示例展示了其在风险测度等多领域应用的通用性。
2026-07-30 math.ST stat.ME stat.TH
Testing for equality between conditional copulas given discretized conditioning events
最近已经提出了几个程序来测试条件Copula的简化假设。而不是考虑逐点条件事件，我们研究的条件依赖结构的恒定性时，一些协变量属于一般Borelian条件子集。引入了几种基于条件Kendall τ相等的检验统计量，并给出了它们在零点下的渐近分布。当这样的条件事件是不固定的事前，我们提出了一个数据驱动的过程，递归地建立这样的相关子集。它是基于决策树，最大化的条件肯德尔的taus对应的树叶之间的差异。这种测试的性能在模拟实验中示出。此外，金融股票收益率之间的条件依赖关系的研究管理，给出了一些聚类的过去值。最后一个应用程序处理保险数据集中保险金额之间的条件依赖性。
2020-08-21 math.ST stat.ME stat.ML
A copula transformation in multivariate mixed discrete-continuous models
Copula允许对复杂的依赖结构以及各种边缘分布进行灵活且同时的建模。特别是如果密度函数可以表示为边际密度函数和copula密度函数的乘积，这将导致对条件分布的直观解释和方便的估计过程。然而，这不再是混合离散和连续边缘分布的copula模型的情况下，因为相应的密度函数不能很好地分解。在本文中，我们介绍了一种Copula变换方法，允许表示的密度函数的分布与混合离散和连续的边际产品的边际概率质量/密度函数和Copula密度函数。利用所提出的方法，可以解析地描述条件分布，并且可以根据所使用的copula类型来减少估计过程中的计算复杂度。
2020-08-27 stat.AP stat.ME
