Robust copula estimation for one-shot devices with correlated failure modes
Universidad Rey Juan Carlos（雷伊胡安卡洛斯大学）
针对单次使用设备中失效模式间的依赖关系，提出一种基于散度的稳健Copula估计方法，以克服异常值和模型误设问题，并通过模拟和实际数据验证其有效性。
2026-05-21 stat.ME
Generalized Additive Models for Pair-Copula Constructions
对Copula构造是使用二元Copula作为构建块的灵活依赖模型。在本文中，我们使用广义可加模型来扩展它们，允许协变量的影响。借用传统的单变量背景下的想法，我们让每个配对copula参数直接依赖于协变量的参数，半参数或非参数的方式。本文提出了一种序贯估计方法，并通过模拟研究了四种主要汇率的日内收益率之间的时变相关结构。一个R包、一个再现本文中结果的脚本和其他模拟结果作为补充材料提供。
2017-08-15 stat.ME
Outlier-robust copula regression for bivariate continuous proportions: an application to cushion plant vitality
针对二元连续比例数据的内部异常值与残差依赖问题，提出结合矩形beta边缘与单参数copula的贝叶斯稳健回归方法，经垫状植物调查与模拟验证性能优异，可作为跨领域成对比例数据的稳健分析工具。
2025-11-13 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
Vector Copula Variational Inference and Dependent Block Posterior Approximations
Melbourne Business School, University of Melbourne（墨尔本大学商业学校）；University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）
针对传统块独立变分推断精度不足的问题，提出基于向量copula的相关块后验近似方法，结合可学习传输映射构建灵活易处理的变分分布，在多模型多数据集上以低额外成本实现更优后验近似。
2025-10-06 cs.LG econ.EM stat.ME
Optimal Designs for Copula Models
在过去的十年中，Copula模型已经成为应用统计学许多领域的标准工具。然而，一个很大程度上被忽视的方面涉及相关实验的设计。特别是Copula参数的估计是否可以通过优化实验条件来增强以及模型的所有参数估计相对于所采用的Copula类型的稳健性如何的问题。在本文中，（双变量）Copula模型的等价定理，允许制定有效的设计算法和快速检查的设计是否是最佳的或至少是有效的。一些例子表明，在实际情况下，可以实现相当大的增益设计效率。不同的Copula模型之间的设计效率的自然比较。
2014-06-11 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
Doubly Robust Sure Screening for Elliptical Copula Regression Model
回归分析一直是统计学研究的热点。我们提出了一种非常灵活的半参数回归模型--椭圆Copula回归（ECR）模型，它涵盖了一大类线性和非线性回归模型，如可加性回归模型、单指标模型等。此外，ECR模型还能捕捉到变量之间的厚尾性和尾部相关性，因此在计量经济学和金融学等领域有着广泛的应用。本文主要研究超高维环境下ECR模型的特征筛选问题。针对ECR模型提出了一种双重稳健的可靠性筛选方法，其中包含两种类型的相关系数：Kendall-tau相关和典型相关.理论分析表明，该方法具有一定的筛选性能，在概率趋于1的情况下，筛选过程选择出所有重要变量，并将维度大大减少到相对于样本量的中等大小。通过数值计算表明，该方法优于现有的确定独立的筛选方法，可以安全地替代现有的方法。最后，将该方法应用于一个基因表达真实数据集，以显示其经验有用性。
2018-08-26 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
Factor tree copula models for item response data
本文融合因子 copula 与截断 vine copula，提出因子树 copula 模型，在保留潜变量可解释性的同时建模残差依赖，并给出估计、模型选择算法、模拟验证及 PTSD 应用。
2022-01-02 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
Robust Blocked Response-Adaptive Randomization Designs
在大多数临床试验中，患者以相等的概率随机分配到治疗组中，以获得处理效应的无偏估计。反应自适应随机化（RAR）是出于伦理原因而提出的，其中随机化比率连续倾斜以有利于更好的治疗。然而，关于自适应随机化中时间趋势引起的偏倚的实质性分歧尚未得到充分认识。当存在时间趋势时，传统的贝叶斯RAR方法会夸大第一类错误。在我们的方法中，患者被分配到区组中，并且针对区组重新计算随机化比率，而不是传统的自适应随机化，其中每个患者都进行了随机化。我们进一步研究了频率论和贝叶斯设计的一系列场景的设计。我们比较了我们的方法与平等的随机化和不同数量的区组，包括传统的RAR设计，其中随机化比例是改变患者的基础。如果每个区组中有两名或更多患者，则对分析进行分层。由于可能无法从$μ_i$获取任何信息，因此应避免使用小块。另一方面，具有大区块的RAR在效率和治疗更多受试者到更好的治疗之间具有良好的平衡，同时保留了区块RAR的独特无偏性。
2019-09-12 stat.AP
A Copula Graphical Model for Multi-Attribute Data using Optimal Transport
The Pennsylvania State University（宾夕法尼亚州立大学）
提出 Cyclically Monotone Copula 半参数多属性图模型，利用最优传输将任意连续节点向量分布映射为高斯分布，并给出高维投影方案与选择一致性条件。
2024-04-10 cs.LG math.ST stat.AP
Model-free and Distributionally Robust Feature Screening with False Discovery Control for High-Dimensional Heterogeneous Data
University of Georgia（佐治亚大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出基于Copula散度的无模型特征筛选方法CD-Screen及错误发现控制程序CD-FDR，适用于高维异质数据，理论保证筛选一致性和FDR控制，模拟与实证均优于传统方法。
2026-09-22 stat.ME
Robust designs for experiments with blocks
对于在田间小区中或随时间运行的实验，由于空间或序列相关性，观察结果通常是相关的，这导致分析处理平均值的线性模型中的相关误差。如果不知道误差的确切相关矩阵，就不可能计算处理均值的广义最小二乘估计量并使用它来构建实验的最优设计。在本文中，我们建议使用邻域来模拟误差的协方差阵，并应用一个修改的广义最小二乘估计器来构造具有区组的试验的稳健设计。研究了极小极大设计准则，并提出了求解稳健设计的模拟退火算法。我们已经推导出几个理论结果，并提出了代表性的例子。
2016-05-26 stat.ME
Nonparametric directional variogram estimation in the presence of outlier blocks
本文提出基于最小协方差行列式估计量的稳健方向变差函数估计方法，联合估计多个滞后，在离群块存在时优于现有方法，并通过卫星数据应用验证。
2025-03-28 stat.ME
Robust multi-outcome regression with correlated covariate blocks using fused LAD-lasso
Lasso是一种流行且有效的方法，用于高维回归模型中的同时估计和变量选择。在本文中，提出了一个强大的LAD套索方法的多个结果，解决了非正态分布的结果和离群观测的挑战。从空间或时间，或光谱带或基因组位置测量的协变量数据通常具有由测量协变量之间的距离产生的自然相关结构。所提出的多结果方法包括通过组融合惩罚来处理这样的协变量块，这通过惩罚相邻回归系数向量之间的差异来鼓励相邻回归系数向量之间的相似性，例如在顺序数据情况下。所提出的方法的属性首先说明了广泛的模拟，其次，该方法被应用到现实生活中的倾斜数据的例子，退休行为的异方差解释变量。
2022-12-01 stat.ME
A robust nonparametric test for spatial isotropy in lattice data
TU Dortmund University（多特蒙德工业大学）
本文提出了一种基于空间数据二维正则网格变异图的稳健检验方法，用于评估各向同性，该方法通过比较不同方向相同距离的变异图估计值，同时采用稳健变异图估计器和块置换重采样方法，以提高对异常值的鲁棒性。
2026-05-18 stat.ME
K-bMOM: a robust Lloyd-type clustering algorithm based on bootstrap Median-of-Means
我们提出了一种新的聚类算法，是强大的离群值的存在下，在数据集。我们进行了稳健的估计的质心的迭代。更准确地说，我们建立在平均值统计的想法来估计质心，但允许在构建块时进行替换。我们称这种方法的引导中位数均值（bandwidth），并证明，如果足够的块通过引导抽样生成，那么它有一个更好的击穿点的平均估计比经典的中位数均值（bandwidth），其中块形成一个分区的数据集。从聚类的角度来看，bandwidth能够采取许多所需大小的块，从而避免了可能的集群消失在一些块，一个陷阱，可能发生的基于分区的块的生成的经典中值均值。在模拟数据集上的实验表明，所提出的方法，称为K-bandwidth，性能优于现有的鲁棒K-means的方法。为实际中调整超参数K-bandwidth提供了指导。还建议用户使用这种鲁棒的方法来初始化他们的聚类算法。最后，考虑到我们的估计的简化和理论版本，我们证明了它的鲁棒性对抗性污染的K均值失真推导出强大的收敛速度。据我们所知，这是第一个这样的结果K-均值失真。
2020-08-19 stat.ME stat.ML
Efficient and Robust Block Designs for Order-of-Addition Experiments
National Chung Hsing University（中兴大学）
本文提出基于词长模式的块OofA设计方法，利用正交拉丁方算法提高效率，实现稳健且高效的实验设计。
2026-02-03 stat.AP stat.ME
Fast Robust Regression via Orthogonal Block Updates
Harvard Medical School（哈佛医学院）；University of British Columbia（不列颠哥伦比亚大学）
提出基于块坐标下降的ROBU算法，通过低维变量块降低对清洁子样本的需求，高效计算MM估计量，在大量模拟和蛋白质组学数据中表现优于现有方法。
2026-06-26 stat.CO stat.ME
