Time series models with infinite-order partial copula dependence
平稳和遍历时间序列可以使用基于二元Copula函数集的s-vine分解来构造。这种过程的无限Copula序列的扩展被认为是产生丰富的一类模型，概括高斯ARMA和ARFIMA过程，允许非高斯边际行为和非高斯描述的串行部分依赖结构。提出并研究了线性过程的经典因果和可逆表示到一般s-藤过程的推广。一个实用的和简约的方法参数化的S-葡萄藤过程使用肯德尔偏自相关函数的开发。所得到的模型，以提高统计拟合在许多应用程序中的潜力表明与一个例子，使用宏观经济数据。
2021-07-02 q-fin.ST stat.AP stat.ME
COPAR - Multivariate time series modeling using the COPula AutoRegressive model
多元时间序列分析是金融、经济等领域的一个常见问题。用于此目的的经典工具是向量自回归模型。然而，这些仅限于线性和对称依赖的建模。我们提出了一种新的基于Copula的模型，它允许非线性和非对称建模的串行以及系列之间的依赖关系。该模型充分利用了仅由二元连接函数建立的藤连接函数的灵活性。我们描述了新模型的统计推断技术，并在三个相关的应用中证明了它的实用性：我们分析了宏观经济指标的时间序列，电力负荷需求和债券投资组合的回报。
2012-04-04 stat.ME
Vine copula based knockoff generation for high-dimensional controlled variable selection
藤连接函数是一种灵活的高维依赖建模工具。在这篇文章中，我们讨论了生成近似模型X敲除与藤蔓连接。它示出了如何高斯敲可以推广到高斯copula敲。一个方便的方法来参数化高斯copula是偏相关藤。我们讨论了如何完成问题的部分相关葡萄树有关高斯仿制品。一个自然推广的偏相关葡萄藤是葡萄藤copula，这是非常适合于生成近似模型X的仿制品。我们讨论了一个特殊的D-葡萄结构，这是有利于获得葡萄Copula敲除模型。在一个模拟研究中，我们证明了藤copula敲除模型是有效的和强大的高维控制变量的选择。
2022-10-20 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
Variational Bayes Estimation of Discrete-Margined Copula Models with Application to Time Series
我们提出了一个新的变分贝叶斯估计高维copula离散，或离散和连续的组合，利润。该方法是基于一个易于处理的增强后变分近似，是比以前的似然为基础的方法更快。我们用它来估计单变量和多变量马尔可夫顺序和混合时间序列的可绘制的藤连接。这些具有维度$rT$，其中$T$是观测的数量，$r$是序列的数量，并且难以使用先前的方法进行估计。葡萄藤对连接被仔细地选择以允许异方差性，这是大多数有序时间序列数据的特征。当与灵活的裕度结合使用时，所产生的时间序列模型还考虑到有序数据的其他共同特征，如零通货膨胀、多模式和分散不足或过度。使用六个例子系列，我们说明了时间序列Copula模型的灵活性，以及高达792个维度和60个参数的Copula的变分贝叶斯估计的有效性。这远远超过了Copula模型的规模和复杂性，可以使用以前的方法估计离散数据。
2018-07-20 econ.EM 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
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
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
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
Social Media Integration of Flood Data: A Vine Copula-Based Approach
洪水是世界上许多国家最常见和最严重的自然灾害之一。随着全球变暖继续加剧海平面上升和极端天气，政府当局和环境机构面临着及时准确评估和预测洪水风险的迫切需要。目前的洪水预报一般是根据监测站对环境变量的历史测量结果。近年来，除了传统的数据来源外，还通过社交媒体提供了大量与洪水有关的信息。公众不断在社交媒体平台上及时发布有关当地环境现象的信息和更新。尽管学者们对自然灾害期间在线数据的使用越来越感兴趣，但大多数研究都只关注社交媒体作为独立的数据源，而其与其他类型信息的联合使用仍然没有探索。在本文中，我们建议通过将传统的洪水历史信息与Twitter和Google趋势提取的数据相结合来填补这一空白。我们的方法是基于葡萄藤连接，使我们能够捕捉到的边缘，这是通过适当的时间序列方法建模之间的依赖结构，在一个非常灵活的方式。我们将我们的方法应用到与英国（UK）南海岸三个不同的沿海地区相关的数据。结果表明，我们的方法，基于社会媒体数据的整合，优于传统的方法在评估和预测洪水事件。
2021-10-06 stat.AP
Hypergraphs in the characterization of regular vine copula structures
藤蔓copula构成了一种灵活的依赖建模方式，只使用对copula作为构建块。由Joe（1997）引入的对copula构造能够在同一时间编码更多类型的依赖，因为它们可以表示为不同类型的二元copula的乘积。规则藤蔓结构（R-藤蔓结构），作为对应于树序列的对连接，已经由Bedford和Cooke（2001，2002）引入，并由Kurowicka和Cooke（2006）进一步探索。这些模型的复杂性在更大的维度上大大增加。因此，在Brechmann等人（2012）中引入了所谓的截短的R-藤蔓。在本文中，我们使用一种特殊类型的超图来表示正则葡萄树，它编码了条件独立性。
2016-04-10 stat.ME
Predicting Times to Event Based on Vine Copula Models
在统计学中，事件时间分析方法传统上侧重于危险的估计。近年来，已经提出了机器学习方法来直接预测事件时间。我们提出了一种基于藤蔓copula模型的方法，使点和区间预测的右删失的反应变量混合离散连续的解释变量。模拟和真实数据集上的大量实验表明，我们提出的藤蔓copula方法提供了一个体面的近似其他时间到事件的分析模型，包括Cox比例风险和加速故障时间模型。当Cox比例风险或加速失效时间假设不成立时，根据条件分位数函数的形状，基于vine copula的预测可以显著优于其他模型。这表明了我们提出的藤蔓copula方法对一般事件时间数据集的灵活性。
2021-11-13 stat.ME
Growing simplified vine copula trees: improving Dißmann's algorithm
藤蔓copula是成对copula结构，能够在二元构建块方面进行多元依赖建模。拟合一个藤蔓连接函数的主要任务之一是选择一个合适的树结构。对于这一流行的方法是一个启发式称为Dißmann的算法。它通过最大化每个树级别的依赖性来顺序地构建葡萄树，其中依赖性是根据绝对肯德尔$τ$来测量的。然而，该算法忽略了树结构的简化假设，通常是为葡萄树连接保持推理易处理的任何影响。我们开发了两个新的算法，选择树结构，重点是生产简化的葡萄藤copula的简化假设是违反尽可能少。为此，我们利用最近开发的简化假设的统计检验。在一个模拟研究中，我们表明，我们提出的方法优于Dißmann的算法给出的基准由一个很大的保证金。一些实际的数据应用程序强调其实际意义。
2017-03-15 stat.ME
Selection of Sparse Vine Copulas in High Dimensions with the Lasso
我们提出了一种新的高维（d > 100）稀疏vine copula结构选择方法。目前的顺序贪婪方法的结构选择需要计算生成树在数百个维度和拟合的copula和他们的参数迭代整个结构选择过程。我们的方法使用藤蔓和结构方程模型（SEM）之间的连接。后者可以使用Lasso非常快速地估计，也是在非常高的维度上，以获得稀疏模型。因此，我们得到了一个结构估计独立于所选择的对copula和参数。此外，我们定义了新的概念的正则化路径的R-葡萄矩阵。它与稀疏的葡萄藤copula模型的独立copula的惩罚系数的结构方程模型。我们说明了我们的方法，并提供了许多数值例子。这些包括在高维的模拟和数据应用，显示出我们的方法的优越性，其他现有的方法。
2017-05-16 stat.ME
Using model distances to investigate the simplifying assumption, model selection and truncation levels for vine copulas
藤copula是描述多个随机变量之间依赖结构的一种有用的统计工具，特别是当变量数目很大时。当用藤连接模型对数据建模时，人们经常会遇到一组候选模型，其中最好的一个应该被选择。例如，这可能会出现在非简化的葡萄藤连接，截断葡萄藤和其他简化有关对连接家庭或葡萄藤结构的上下文中。借助距离测量，我们开发了一个基于参数自举的测试程序，以决定从嵌套模型类copula之间。此外，我们使用距离度量来选择不同的候选模型。所有常用的距离测量，例如Kullback-Leibler距离，都因高维积分而遭受维数灾难。为了解决这个问题，Killiches，Kraus和Czado（2017）提出了对Kullback-Leibler距离的几种修改。我们应用这些距离措施，上述模型选择的问题，并证实其有用性。
2017-05-09 stat.ME
Model selection tests for truncated vine copulas under nested hypotheses
The Graduate University for Advanced Studies, The Institute of Statistical Mathematics（高级研究大学院大学，统计数学研究所）
针对截断藤copula模型选择中原Vuong检验仅假设严格非嵌套、与结构嵌套性冲突的问题，本文系统将该检验拓展至嵌套与非嵌套假设场景，通过模拟明确了两类假设的适用条件，为藤copula截断提供了方法支撑与实践指导。
2025-04-24 stat.ME
The partial vine copula: A dependence measure and approximation based on the simplifying assumption
简化的藤连接函数（SVC），或对连接函数的结构，已成为一个重要的工具，在高维依赖建模。到目前为止，SVCs的规格和估计是在简化假设下进行的，即，所有的二元条件Copula被假定为二元无条件Copula。我们介绍了部分藤Copula（PVC），它提供了一个新的多元依赖措施，并发挥了重要作用，在多变量分布的SVC近似。PVC是一个特殊的SVC，其中任何边的j阶部分copula被分配，并构成一个多元模拟的二元部分copula。我们调查到什么程度的PVC描述的依赖结构的基础Copula。我们表明，PVC不最小化的库尔贝克-莱布勒散度从真正的copula和最佳的近似满足简化假设是由藤伪copula。然而，在正则条件下，无论简化假设是否成立，对copula结构的逐步估计收敛到PVC。此外，我们阐明了为什么PVC是最好的可行SVC近似在实践中。
2017-06-11 stat.ME
Selecting and estimating regular vine copulae and application to financial returns
讨论了构成一类灵活的多元相关模型的正则藤分布。自从通过对Copula分解构造的多元Copula被引入统计界以来，人们对这些模型的兴趣一直在稳步增长，并且在各个领域都有成功的应用。然而，到目前为止，研究一直集中在所谓的规范和D-藤蔓系动词，这是更严格的情况下，定期藤蔓系动词。它示出了如何评估任意规则的葡萄树规格的密度。这使得藤连接方法可以灵活地建模复杂的依赖关系，即使是在更大的维度上。在这方面，一个新的自动模型选择和估计技术的基础上图论的考虑。这种全面的搜索策略进行了评估，在一个大型的模拟研究，并适用于一个16维的国际股票，固定收益和商品指数，在过去十年中，特别是在最近的金融危机中观察到的金融数据集。分析提供了经济上很好的解释结果和有趣的见解，这些指数之间的依赖结构。
2012-04-19 stat.ME
Simplified vine copula models: state of science and affairs
本文综述简化 vine copula 模型中条件 copula 不依赖条件变量这一假设的灵活性、局限与争议，并提出调和性观点。
2025-03-18 stat.ME
Model distances for vine copulas in high dimensions
藤copula是一类灵活的依赖模型，由二元构建块组成，并已被证明在高维中特别有用。经典的模型距离测量需要多变量积分，因此遭受维数灾难。在本文中，我们提供了数值上易于处理的方法来测量之间的距离，即使在高维藤连接。为了这个目的，我们连续开发三个新的距离措施的基础上Kullback-Leibler距离，使用的结果，它可以表示为总和超过期望的KL距离之间的单变量条件密度，这可以很容易地获得葡萄Copula。为了减少数值计算，我们近似这些预期充分设计的网格，优于蒙特卡罗积分的计算时间。在众多的例子和应用中，我们说明了发达的距离措施的优点和缺点。
2016-04-21 stat.ME
Nonparametric estimation of simplified vine copula models: comparison of methods
在过去的十年中，简化的葡萄藤copula模型一直是一个活跃的研究领域。他们从边际密度和二元copula密度的乘积中构建了一个高维概率密度。除了参数模型外，人们还提出了几种对葡萄系Copula函数进行非参数估计的方法。在这篇文章中，我们扩展了这些方法，并在广泛的模拟研究和实际数据应用中进行比较。我们确定了几个因素驱动的相对性能的估计。最重要的是依赖的强度。没有一种方法被认为是一致优于所有其他方法。总体而言，核估计表现最好，但做差于惩罚B样条估计时，有弱的依赖性和没有尾部依赖。
2017-04-05 stat.ME
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
Nonparametric estimation of pair-copula constructions with the empirical pair-copula
一个pair-copula构造是将一个多元copula分解成一个二元copula或pair-copula的结构化系统，称为正则vine。标准的做法是对这些配对连接进行参数化建模，这是以大的模型风险为代价的，错误会在整个藤结构中传播。本文提出的经验对copula提供了一个非参数的替代仍然实现参数收敛速度。它可以被用来作为一个基础上的依赖措施的推断，选择和修剪的藤蔓结构，并为假设检验有关的形式对copulae。
2012-01-24 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
Block-Maxima of Vines
我们研究了多元分布的有限块极大值的依赖结构。我们提供了一个封闭的形式表达的块极大值的向量的copula密度。此外，我们展示了如何偏导数的三维藤copula可以通过只有一维的整合。结合这些结果，允许数值处理的块最大值的任何三维藤copula有限块大小。我们看看某些葡萄树copula规范，并研究如何块最大值的密度行为不同的块大小。此外，考虑了一个实际的水文数据的例子。在多元正态分布的极值理论中，当块大小趋于无穷大时，为了得到非平凡的极限分布，需要对每个变量和相关矩阵进行一定的标度。这种缩放适用于不同的三维藤蔓copula规格。
2015-04-11 stat.ME
Optimizing effective numbers of tests by vine copula modeling
在多重检验的情况下，我们利用藤蔓连接优化有效的测试数量。众所周知，对于多个测试的校准（用于控制族误差率），边缘测试之间的依赖性是至关重要的。它已被证明在以前的工作中，边际测试之间的正相关性可以被利用，以获得一个宽松的Sidak型多重校正。这种校正可以方便地通过计算给定（全局）显著性水平的相应“有效检验数”来表示。该方法也可应用于检验统计量的区组，以便通过每个区组的有效检验数之和计算有效检验数。在目前的工作中，我们演示了如何通过采用具有高内部块依赖性的块来优化多重测试的功率。这些区块的确定将通过估计的葡萄藤copula模型进行。提出了一种算法，它使用的信息估计藤copula作出数据驱动的选择适当的块（估计）的依赖关系。数值实验证明了该方法的有效性。
2020-02-24 stat.ME
Evading the curse of dimensionality in nonparametric density estimation with simplified vine copulas
非参数密度估计在三维以上的实际应用中受到众所周知的维数灾难的影响：收敛速度随着维数的增加而减慢。我们表明，可以通过假设一个简化的葡萄树Copula模型的变量之间的依赖关系，以避免灾难的维数。我们制定了这样一个模型的一般非参数估计，并显示在高层次的假设下，收敛速度是独立的尺寸。我们进一步讨论了一个特定的实现，我们验证了高层次的假设，并建立其渐近正态性。仿真实验表明，当简化假设至少近似为真时，有限样本性能会有很大的增益。但是，即使当它被严重违反，藤蔓copula为基础的方法证明是有利的，只要超过几个变量参与。最后，我们给出了一个应用程序的估计从天体物理分类问题。
2016-05-14 stat.ME
High-dimensional sparse vine copula regression with application to genomic prediction
针对高维非线性基因组预测问题，提出两种稀疏 vine copula 分位数回归方法，降低计算复杂度并实现有效变量选择，在玉米性状预测中优于线性模型和分位数回归森林。
2023-06-19 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
Testing the simplifying assumption in high-dimensional vine copulas
在高维vine copula中检验简化假设是一项困难的任务。测试必须基于估计的观测值，并检查高维分布的约束。到目前为止，相应的测试仅限于单一的条件copula与一个低维的条件变量集。我们提出了一种新的测试程序，是计算上可行的高维数据集，并表现出的权力，只略有下降的维度。通过离散化条件变量的支持，并在检验统计量中加入惩罚，我们通过寻找可能与简化假设最大的偏差来减轻维数灾难。决策树的使用使得测试在计算上对于大维度是可行的。我们推导出测试的渐近分布，并在广泛的模拟研究中分析其有限样本性能。提供了一个应用程序的测试到四个真实的数据集。
2022-10-05 stat.ME
Examination and visualisation of the simplifying assumption for vine copulas in three dimensions
藤连接是一类高度灵活的依赖模型，它基于将密度分解为二元构建块。对于应用，人们通常作一个简化的假设，即条件分布的copula与它们所依赖的变量无关。然而，这一假设被批评为限制性太强。我们研究简化和非简化的藤蔓连接在三个维度，并调查概念上的差异。我们显示和比较的三维藤copula模型，这被证明是更多的信息比二元边缘的轮廓线的轮廓表面。我们的研究表明，非简化的葡萄藤连接可以表现出任意不规则的形状，而简化的葡萄藤连接似乎是他们的二维边缘到三维的平滑外推。除了各种构建的例子，我们还调查了一个三维子集的知名铀数据集和视觉检测，一个非简化的藤蔓copula是必要的，以捕捉其复杂的依赖结构。
2016-10-28 stat.AP stat.ME
Dependence modeling for recurrent event times subject to right-censoring with D-vine copulas
在许多至事件发生时间研究中，关注的事件是复发性的。这里，每个样本单元的数据对应于后续事件之间的一系列间隙时间。考虑到随访期有限，最后一个间隙时间可能是右删失的。与经典分析相反，不能假设间隔时间和删失时间是独立的，即数据的连续性导致相关删失。此外，递归通常在样本单元之间变化，导致数据不平衡。为了模拟间隙时间之间的关联模式，到目前为止，只有参数利润率结合限制类阿基米德copula已被考虑。在这里，考虑到具体的数据功能，我们扩展现有的工作在几个方向：我们允许非参数的利润率，并考虑灵活的类D-藤copula。一个全球性的和连续的（一个和两个阶段）的可能性方法的建议。我们讨论了每种估计策略的计算效率。大量的仿真结果表明，所提出的方法具有良好的有限样本性能。它被用来分析儿童哮喘反复发作的关联。分析表明，D-藤蔓连接检测相关的见解，如何依赖的强度和类型随着时间的推移而变化。
2018-02-26 stat.ME
Modeling with Copulas and Vines in Estimation of Distribution Algorithms
本文的目的是研究Copula和Vines在分布估计算法（EDAs）优化中的应用。其中两个基于多元乘积和正态Copula函数，另两个基于Vine模型的成对Copula分解。在实证上，我们分别研究了边际分布和依赖结构的影响，表明这两个方面在优化的成功中起着至关重要的作用。结果表明，使用copula和藤蔓开辟了新的机会，一个更合适的建模搜索分布在EDA。
2012-10-19 cs.NE stat.ME
Derandomized Truncated D-vine Copula Knockoffs with e-values to control the false discovery rate
本文提出截断D-vine Copula Knockoffs算法并结合去随机化与e值，在控制FDR的同时提升变量选择的统计功效与稳健性，并在基因表达数据中验证了其优越性。
2024-07-19 stat.ME
Spatial composite likelihood inference using local C-vines
我们提出了一种基于葡萄树Copula的复合似然方法来建模空间依赖关系，它允许在任意位置进行预测。这种方法结合了已建立的方法来对（空间）依赖性进行建模。一方面，应用地统计学概念，利用变量位置之间的空间差异来建模空间依赖性的扩展。另一方面，灵活的类C-vine连接被用来局部地建模空间依赖结构。这些本地C-藤copula参数化联合，利用copula参数和各自的空间距离和海拔差异之间的现有关系，并结合在一个复合似然方法。空间局部C-vine复合似然（S-LCVCL）方法的优点在于它能够捕获非高斯依赖结构。使用分布在德国的73个观测站观测到的日平均温度的数据集说明了新方法的开发和验证。对于验证，使用连续排名的概率得分。与Erhardt，Czado和Schepsmeier（2014）尚未发表的工作中介绍的其他两种空间依赖性建模方法的比较显示了对局部C-vine复合似然方法的偏好。
2014-07-03 stat.ME
Model selection in sparse high-dimensional vine copula models with application to portfolio risk
藤连接允许仅使用二元构建块为任意数量的变量构建灵活的依赖模型。藤copula模型中的参数数目随着维数的增加而呈二次方增加，这给高维应用带来了新的挑战。为了减轻计算负担和过拟合的风险，我们提出了一个修改的贝叶斯信息准则（BIC）适合稀疏藤蔓Copula模型。我们表明，该标准可以始终区分真正的和替代模型的严格条件下，比经典BIC。新准则可用于选择稀疏模型类的超参数，如截断和阈值vine copula。我们提出了一个计算效率的实现，并说明了新概念的好处与案例研究，我们在一个大型股票股票投资组合的依赖模型。
2018-11-19 stat.CO stat.ME
Vine copula mixture models and clustering for non-Gaussian data
大多数有限混合模型的缺点是不允许组件内的非对称尾部依赖性，并且在聚类应用中不捕获非椭圆簇。由于藤蔓Copula是非常灵活的，在捕捉这些类型的依赖关系，我们提出了一种新的藤蔓Copula连续数据的混合模型。我们讨论了模型选择和参数估计问题，并进一步制定了一个新的基于模型的聚类算法。在聚类中使用藤连接允许聚类的形状和依赖结构的范围。我们的模拟实验说明了一个显着的增益时，聚类精度显着不对称的尾部依赖或/和非高斯利润的组件内存在。实际数据集的分析伴随着所提出的方法。我们表明，基于模型的聚类算法与藤蔓copula混合模型优于其他基于模型的聚类技术，特别是对非高斯多变量数据。
2021-09-08 stat.ME stat.ML
Representing sparse Gaussian DAGs as sparse R-vines allowing for non-Gaussian dependence
在高维系统中建立相关性模型已成为一个越来越重要的课题。大多数方法依赖于多变量高斯分布的假设，例如有向无环图（DAG）上的统计模型。它们基于建模条件独立性，并且可扩展到高维。相比之下，藤蔓copula模型适应更复杂的功能，如尾部依赖和不对称性，以及独立的边缘建模。然而，这种灵活性的代价是模型选择和估计的复杂性呈指数增长。在充分条件下，我们证明了有限数量的父母和截断葡萄系连接的DAG之间的一种新的连接。这激发了一个更一般的过程，利用快速模型选择和估计稀疏DAG，同时允许非高斯依赖使用藤copula。我们在模拟研究中证明，并使用高维数据的应用程序，我们的方法优于标准方法的葡萄结构估计。
2016-11-30 stat.ME
Moving Aggregate Modified Autoregressive Copula-Based Time Series Models (MAGMAR-Copulas)
TU Dortmund University（多特蒙德工业大学）
本文提出MAGMAR-皮克罗模型，通过引入移动聚合部分改进传统皮克罗时间序列模型，以处理非马尔可夫过程，通过D-vine框架推导分布特性，并在美通胀数据上验证模型性能。
2026-03-23 math.PR math.ST stat.AP
A geometric investigation into the tail dependence of vine copulas
藤连接函数是一种多元依赖模型，由一组根据特定的底层图形结构组合的二元连接函数组成。他们的灵活性和实用性，在中等和高的维度作出了贡献的普及藤copula，但相对较少的关注已经支付给他们的极值性质。为了解决这个问题，我们提出了一些研究最广泛的葡萄树copula类的尾部依赖特性的结果。我们的研究重点是尾部依赖系数和样本云的渐近形状，我们使用Nolde（2014）的几何方法计算。我们提供了新的见解，提出了三变量藤copula构造的结果，从渐近依赖和渐近独立的二元copula，专注于二元极值和倒极值copula，与额外的细节提供了逻辑和倒逻辑的例子。我们还提出了新的理论，一类高维藤copula，构造从二元倒极值copula。
2020-12-17 math.ST stat.ME stat.TH
1-truncated C-vine copula mixed models for network meta-analysis of multiple diagnostic tests
University of East Anglia（东英吉利大学）
本文提出了一种灵活且强大的1-truncated C-vine copula混合模型，用于网络元分析多个诊断测试，以提高对多诊断测试准确性比较的分析能力。
2026-05-18 stat.ME
Vine copula based likelihood estimation of dependence patterns in multivariate event time data
在许多研究中，多变量事件时间数据是从具有可能复杂的关联模式的聚类中生成的。需要灵活的模型来捕捉这种依赖性。藤系联结就是为了这个目的。对于完整的数据，可以使用葡萄系连接函数的推断方法。然而，事件时间数据经常受到右删失的影响。因此，需要调整现有的推断工具，例如似然估计。提出了一种两阶段估计方法。首先，对边缘分布进行建模。第二，依赖结构建模的葡萄Copula估计通过似然最大化。由于右截尾的单重和二重积分出现在Copula似然表达式中，因此需要数值积分来评估。对于依赖建模的序贯估计的方法，促进了似然优化的计算挑战。三维仿真研究提供了证据，所提出的方法具有良好的有限样本性能。使用四维乳腺炎的数据，它示出了如何选择一个合适的葡萄系函数模型的数据在手。
2017-07-22 stat.AP 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
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
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
A vine copula mixed effect model for trivariate meta-analysis of diagnostic test accuracy studies accounting for disease prevalence
最近提出了一种双变量Copula混合模型来综合诊断测试精度的研究，并已被证明在这方面优于标准的广义线性混合模型（GLMM）。在这里，我们称之为三变量vine copula，通过解释疾病患病率来扩展诊断测试准确性研究的双变量荟萃分析。我们的葡萄树copula混合模型包括三变量GLMM作为一个特殊的情况下，也可以操作的灵敏度，特异性和疾病患病率的原始规模。我们的一般方法是通过重新分析两个已发表的荟萃分析的数据来说明。我们的研究表明，可以有一个改进的三变量GLMM在适合的数据，并提出了论点，移动到藤copula随机效应模型，特别是因为他们的丰富性，包括反射不对称的尾部依赖，和计算的可行性，尽管他们的三维。
2015-06-12 stat.AP stat.ME
Vector Vine Copula Models for Multivariate Longitudinal Data
Melbourne Business School, University of Melbourne（墨尔本商学院，墨尔本大学）
本文提出向量可绘制藤（VD-vine）连接函数模型，将传统藤扩展到向量节点以处理多元纵向数据的非高斯边际和非线性序列依赖，通过递归条件传输实现高效推断，并在模拟和八波澳大利亚面板数据中验证了其预测优势。
2026-09-18 econ.EM stat.ME
Copula-based spatio-temporal modeling of air pollutant data incorporating covariate dependencies
针对韩国PM10浓度超标的问题，提出结合协变量时空邻域的藤Copula时空建模方法，采用Gumbel和广义极值分布为边际分布，在极值预测上优于传统模型，可推广至多领域复杂依赖结构建模。
2025-03-20 stat.AP
A new tractable Archimedean copula for full-range tail dependence
Northern Illinois University（北伊利诺伊大学）
本文提出一种具有闭式密度函数的新型阿基米德 copula（FRA1），可捕获上下尾全范围尾部依赖，用于构建 vine 模型并应用于医疗支出数据，避免 pair-copula 选择。
2026-09-17 stat.ME
Calibrating simplified vine copulas with a noise contrastive estimation approach
Technical University of Munich（慕尼黑工业大学）；University of Warwick（华威大学）
针对简化藤蔓连接函数在条件依赖变化显著时可能误设的问题，提出基于观测特定校正因子的校准策略，利用噪声对比估计（NCE）进行局部调整，提高模型准确性。
2026-06-12 stat.ME stat.ML
Bayesian Approaches to Copula Modelling
Copula模型已成为多元数据应用建模中应用最广泛的工具之一。类似地，贝叶斯方法越来越多地用于获得有效的基于似然的推理。然而，到目前为止，只有有限的使用贝叶斯方法在Copula模型的制定和估计。本文旨在从两个方面解决这个问题。首先，介绍Copula模型和Copula理论中与贝叶斯分析特别相关的方面。第二，概述贝叶斯方法制定和估计copula模型，和他们的优势，替代方法。所涵盖的连接包括阿基米德，通过反演构造的连接，以及葡萄藤连接;以及它们作为变换的解释。高斯Copula的相关矩阵的参数化的数量被认为是，随着分层先验，允许贝叶斯选择和模型平均为每个参数化。详细给出了拟合高斯和D-藤Copula函数的马尔可夫链蒙特卡罗抽样方案，包括有选择和无选择两种情况。讨论了D-葡萄树参数的先验与高斯copula相关矩阵的先验之间的关系。最后，它是如何计算贝叶斯推断时，数据是离散值使用数据增强。这种方法将流行的贝叶斯方法推广到更一般的Copula模型，用于估计多变量二进制和其他有序数据的模型。贝叶斯数据增强有很大的优势，比其他方法估计这类模型。
2011-12-18 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
Probabilistic patient risk profiling with pair-copula constructions
本文提出基于vine copula的分类器用于围手术期风险预测，通过为每个结局类别拟合vine copula捕捉混合连续-有序变量的非线性依赖，在767例肠道手术数据上相比逻辑回归和随机森林最多降低10%的Brier分数和负对数似然，并能识别可早期出院的低风险患者。
2025-09-23 stat.AP 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
