A New Class of Nonsymmetric Multivariate Dependence Measures
在我们以前基于Copula的非对称二元相关测度的工作基础上，我们提出了一组新的非对称多元相关测度的条件，这些条件刻画了一个随机变量对一组随机变量的独立性和完全相关性.这些测度是非参数的，因为它们是基于Copula的，并且在随机变量组上的连续双射变换下是不变的。我们还明确地构造满足条件的新的措施。此外，我们将二元copula上的星积推广到多元copula上，并证明了新测度的DPI条件和自公平性。本文还讨论了一组随机变量对另一组随机变量的依赖性测度的进一步推广。
2015-12-03 stat.ME
Estimating probabilities of multivariate failure sets based on pairwise tail dependence coefficients
LIDAM/ISBA UCLouvain（卢旺大学 LIDAM/ISBA）
针对金融和气候科学等领域中估计多风险因素极端事件概率的难题，本文提出基于尾部成对相依矩阵信息的参数方法，通过有效算法获得近似分解，构建最大线性模型来估计失效概率，并经实际数据集验证其在风险评估中的实用性。
2026-07-13 stat.AP stat.ME
Spatiotemporally Consistent Multivariate Bias Correction for Climate Projections via Nested Vine Copulas
University of Lausanne（洛桑大学）；University of Applied Sciences and Arts Western Switzerland (HES-SO)（瑞士西部应用科学和艺术大学）
本文提出GN-VBC方法，利用GAM分离时空确定性效应与残差，结合嵌套藤Copula建模变量间依赖，提升气候预测的时空一致性和可靠性。
2026-07-16 stat.AP stat.ME
A subcopula characterization of dependence for the Multivariate Bernoulli Distribution
Facultad de Estudios Superiores Acatlán, Universidad Nacional Autónoma de México（墨西哥国立自治大学阿卡特兰高级研究学院）
本文基于Sklar定理，提出将边际分布与依赖结构分离的框架，通过子Copula明确二元变量间的交互作用，推导出用于描述所有阶次交互的依赖度量公式，并应用贝叶斯推断进行参数估计。
2026-06-27 stat.ME
Multivariate Nonparametric Estimation of the Pickands Dependence Function using Bernstein Polynomials
风险分析中的许多应用，特别是在环境科学中，需要估计多变量极大值之间的相关性。这样做的一种方法是通过推断潜在极值copula的Pickands依赖函数。一个非参数估计被构造为样本等价的多元扩展的madogram。Pickands依赖函数的家庭上的形状约束考虑到通过一个特定类型的伯恩斯坦多项式的表示。大样本理论的估计和它的有限样本性能进行了评估与模拟研究。该方法是通过分析集群组成的7个气象站，记录每周最大的每小时降雨量在法国从1993年到2011年。
2016-04-15 stat.ME
A Copula Model for Non-Gaussian Multivariate Spatial Data
本文提出了一种新的多变量复制空间数据的copula模型。与传统的模型，假设多元正态性的数据，建议copula是基于这样的假设，即存在一些因素，影响联合空间依赖的所有测量的每个变量，以及这些变量之间的联合依赖。该模型是参数化的交叉协方差函数，可以从文献中提出的许多模型中选择。此外，在模型中存在附加因子，其允许对在不同位置处测量的每个变量和不同变量的尾部依赖性和反射不对称性进行建模。因此，所提出的方法可以被看作是一个扩展的线性模型coregionalization广泛用于多变量空间数据建模。该模型的似然可以以简单的形式获得，因此似然估计相当快。该模型不限于数据位置的集合，并且使用估计的copula，空间数据可以在变量值未知的位置处插值。我们将该模型应用于温度和压力数据，并将其性能与多变量地质统计学的流行模型的性能进行比较。
2018-10-10 stat.AP stat.ME
A Bayesian multivariate model with temporal dependence on random partition of areal data
针对蚊媒疾病数据，提出一种结合区域数据随机划分的贝叶斯多元时空模型，通过引入邻域信息的先验分布及多元有向无环图自回归结构，实现对区域簇的时间趋势聚类及疾病间时空相关性分析。
2024-01-16 stat.AP stat.ME
The Anatomy of Dependence in Multivariate Ordered Choice
Faculty of Economics, University of Cambridge（剑桥大学经济学学院）；Department of Economics, Royal Holloway University of London（伦敦大学皇家霍洛威学院经济学系）
针对多变量有序选择决策中标准模型窄范围决策的缺陷，提出嵌套标准模型的通用矩形结构模型，引入两层依赖，通过微观基础、可识别性证明及估计讨论，应用于父母投资、加密货币及健康保险等场景以区分道德风险与逆向选择。
2026-10-23 econ.EM stat.AP stat.ME
Small Area Estimation via Multivariate Fay-Herriot Models with Latent Spatial Dependence
Fay-Herriot模型是直接调查估计的标准模型，其中真正感兴趣的数量，超总体平均值是潜在的，并且通过使用辅助协变量来改进其估计。在小面积估计的背景下，这些估计可以通过借用跨空间区域的强度或同时考虑多个结果来进一步改进。我们在这里提供了两个公式来执行小面积估计与Fay-Herriot模型，包括多变量的结果和潜在的空间依赖。我们考虑两个模型配方，其中一个结果的空间依赖结构是可分离的和一个帐户的交叉依赖，通过使用广义多元条件自回归（GMCAR）结构。GMCAR模型显示在一个国家级的例子，以产生较小的均方预测误差，相对于等效的人口普查变量，比可分离的模型和国家的最先进的多变量模型与非结构化的依赖性之间的结果和没有空间依赖性。此外，GMCAR和可分离模型在对美国社区调查的县级数据进行小面积估计时，均方预测误差小于最先进的模型。
2013-10-27 stat.ME
Detecting breaks in the dependence of multivariate extreme-value distributions
在环境科学中，评估极端测量值之间的相关性在观测期间是否发生了变化往往是令人感兴趣的。这项工作的目的是提出一个统计测试，是特别敏感的这种变化。由此产生的过程还被扩展到允许在边缘分布中存在已知突变的情况下检测极值依赖性的变化。模拟进行研究的两个版本的建议测试的有限样本的行为。水文数据集的插图结束了这项工作。
2015-05-05 stat.ME
Determining the Dependence Structure of Multivariate Extremes
在多元极值分析中，选择合适的统计模型时，应考虑变量间极值相关的性质。兴趣通常在于确定哪些变量子集可以同时取其最大值，而其他变量的顺序较小。我们的方法来解决这个问题，利用隐藏的经常变化的非标准锥的集合上的属性，并提供了一组新的指标，揭示方面的极值依赖结构，通过现有的依赖措施不可用。我们推导出这些指数的理论性质，通过一系列的例子来证明它们的价值，并开发推断方法，也估计与每个圆锥体相关的极值质量的比例。我们将该方法应用于英国河流流量，估计不同子集的网站同时大的概率。
2019-10-11 stat.ME
Capturing Multivariate Spatial Dependence: Model, Estimate and then Predict
物理过程很少孤立地发生，而是相互影响和相互作用。因此，有很大的好处，在建模空间位置和不同的过程之间的潜在依赖性。这是这两个依赖关系之间的相互作用，这是Genton和Kleiber的论文讨论的重点。我们认为确保任何多元空间协方差阵是非负定的问题同样重要，但我们也将其视为达到目的的一种手段。这个“目的”就是解决预测多元场的科学问题。[arXiv：1507.08017]。
2015-07-30 stat.ME
Asymptotic linear dependence and ellipse statistics for multivariate two-sample homogeneity test
York University（约克大学）；University of British Columbia, Kelowna（不列颠哥伦比亚大学奥肯那根校区）
本文提出了一种基于统计深度的非参数两样本检验方法，具有卡方(1)渐近分布，通过仿真实验和实际数据验证了其有效性。
2025-11-24 stat.ME
Combining regional estimation and historical floods: a multivariate semi-parametric peaks-over-threshold model with censored data
极端洪水分位数的估计是具有挑战性的，因为与典型的目标重现期相比，极端数据相对稀缺。多年来，为应对这一挑战，开发了几种方法，包括区域估计和使用历史洪水数据。本文研究了这两种方法的组合使用多变量峰值阈值模型，允许估计共在每个站点的站点间的依赖结构和边缘分布。利用半参数Dirichlet混合模型构造了多个站点极值的联合分布。部分缺失和删失观测值（历史数据）的存在在数据扩充方案中进行解释。该模型适用于一个案例研究，涉及四个集水区在法国南部，自1604年以来的历史数据。从四个版本的模型（有或没有区域化的形状参数;使用或忽略历史洪水）的边际估计值的比较突出了显着差异的回报水平估计。此外，附近几个集水区的历史数据的可用性允许调查极端洪水的渐近相关性。流域显示了大量的渐近依赖，需要适应多元统计模型。
2014-11-28 stat.AP stat.ME
Hybrid Bernstein Normalizing Flows for Flexible Multivariate Density Regression with Interpretable Marginals
Institute for Applied Research HTWG - University of Applied Sciences（应用研究研究所 HTWG - 高等专业学院）；Chair of Statistics and Campus Institute Data Science (CIDAS) University of Göttingen（统计学教授及校园数据科学研究所 (CIDAS) 雷姆森大学）；Department of Statistics LMU Munich（统计学系 慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
针对多元密度回归中模型灵活性与可解释性难以兼顾的问题，提出结合多元条件变换模型（MCTM）与自回归归一化流（NF）的混合方法，兼顾边缘分布可解释性与联合分布建模灵活性，经实验验证性能优于现有方法。
2025-06-12 cs.LG stat.AP stat.ME
Dependence uncertainty bounds for the energy score and the multivariate Gini mean difference
能量距离和能量分数是近年来多元统计和多元概率预测的重要工具。它们都是基于两个独立样本的期望距离。在本文中，我们研究的依赖不确定性界这些量的假设下，我们知道的边际，但不知道的依赖结构。我们发现了一些有趣的尖锐的解析界，其中之一是获得一个不寻常的球对称Copula。这些结果应该有助于更好地理解这些措施的敏感性，在Copula误指定。
2020-04-24 math.PR math.ST stat.ME
Bayesian model averaging over tree-based dependence structures for multivariate extremes
描述极端现象的复杂依赖结构特别具有挑战性。为了解决这个问题，我们开发了一种新的统计算法，描述极值依赖利用最大稳定的嵌套逻辑斯谛分布的固有的层次依赖结构，并确定可能的集群的极端变量使用可逆跳马尔可夫链蒙特卡罗技术。当极端变量的集群被发现是完全独立时，可以实现简约的表示。此外，我们显着降低了计算复杂性的完全似然推断推导出一个递归公式的嵌套逻辑模型的可能性。通过大量的仿真实验验证了算法的性能，并比较了不同的似然程序。新的方法被用来调查在加利福尼亚州的多种污染物的极端浓度之间的依赖关系，以及这些污染物是如何与极端天气条件。总的来说，我们表明，我们的方法允许复杂的极值依赖结构的表示，并在多元数据分析，如空气污染监测，它可以指导决策的有效应用。
2018-07-22 stat.ME
Discussion of `Multiscale Fisher's Independence Test for Multivariate Dependence'
University College London（伦敦大学学院）；Inria（法国国家信息与自动化研究所）；Google Research（谷歌研究院）；London School of Economics and Political Science（伦敦政治经济学院）；University of Oxford（牛津大学）
我们讨论了MultiFIT，Gorsky和Ma（2022）提出的多变量依赖的多尺度Fisher独立性检验，与现有的基于希尔伯特-施密特独立性准则（HSIC）的线性时间核检验相比。我们强调的事实是，在任何有限的样本量的内核测试的水平，可以精确地控制，因为它是与MultiFIT的水平的情况。在我们的实验中，我们观察到MultiFIT在测试功率方面的一些性能限制。
2022-06-22 cs.LG stat.AP stat.CO
High-Dimensional Multivariate VAR Estimation with Spatio-Temporal Structure
ByteDance（字节跳动）
本文提出一种高维多变量VAR模型的结构化估计方法，通过引入时空图结构，结合ℓ1正则化和ADMM算法，实现对稀疏转移结构的准确恢复与估计。
2026-05-01 stat.AP stat.ME
Ensemble size dependence of the logarithmic score for forecasts issued as multivariate normal distributions
针对多元正态分布形式集合预报的对数得分，推导其与集合大小的依赖关系，通过中期预报验证该关系可生成公平得分，推广单变量场景研究且具实际有效性。
2024-05-22 stat.AP stat.ME
Modeling temporal dependency of longitudinal data: use of multivariate geometric skew-normal copula
本文基于 MGSN 分布构建几何偏正态 copula，以刻画非高斯纵向数据的不可交换与尾部时间依赖，并支持连续、离散及有序 probit 回归的复合似然推断。
2025-02-16 stat.ME
Parsimonious Factor Models for Asymmetric Dependence in Multivariate Extremes
University of Melbourne（墨尔本大学）；UNSW Sydney（新南威尔士大学）
本文提出了一种稀疏因子模型，用于捕捉多变量极值中的非对称依赖结构，通过极值理论推导并验证了其在实际数据中的有效性。
2025-12-04 stat.ME
Large-sample tests of extreme-value dependence for multivariate copulas
从极值copula函数的极大稳定性特征出发，研究了多元copula函数极值依赖性的大样本检验问题。所提出的测试的两个关键成分是经验copula的数据和乘数技术获得近似的p值的派生统计。建立了乘子方法的渐近有效性，并通过广泛的蒙特卡罗实验研究了大量候选检验统计量的有限样本性能的数据集的尺寸2至5。在双变量情况下，最佳检验版本的拒绝率与Ghoudi，Khoudraji和Rivest（1998）最近由Ben Ghorbal，Genest和Neslehova（2009）重新访问的检验进行了比较。所提出的程序说明了二元金融数据和三元地质数据。
2011-05-11 stat.ME
Modeling extremal dependence in multivariate and spatial problems: a practical perspective
School of Mathematics and Statistics, UNSW Data Science Hub (uDASH), UNSW Sydney（新南威尔士大学数学与统计学院、数据科学中心）；Department of Decision Sciences, Bocconi University（博科尼大学决策科学系）
本文从环境科学到金融领域，探讨了如何通过ExtremalDep包评估超出观测数据的极值风险，提供多变量和空间极值分析的实用方法和工具。
2026-04-05 stat.ME
Extremal properties of the multivariate extended skew-normal distribution
偏正态和相关的家庭是灵活的和不对称的参数模型，适用于各种系统的建模。我们证明了高维扩展斜正态随机样本的多元最大值具有渐近独立的分量，并导出了联合尾的收敛速度。为了描述多元最大值的组成部分之间可能的依赖关系，我们表明，在适当的条件下，一个近似的多元极值分布，导致丰富的依赖结构，可以得出。
2018-09-28 stat.ME
Modeling Multivariate Mixed-Response Functional Data
我们提出了一个贝叶斯建模框架，用于联合分析不同类型（例如二进制和连续数据）的多个功能响应。我们的方法是基于一个多变量的潜在的高斯过程和模型之间的依赖性的功能响应，通过潜在的过程。我们的框架很容易容纳额外的协变量。我们提供了一种方法来估计多变量的潜在协方差，允许实施多变量函数主成分分析（FPCA），以指定基扩展和简化计算。我们证明了我们的方法，通过模拟研究和应用程序的牙周研究的真实数据。
2016-01-11 stat.ME
Pair circulas modelling for multivariate circular time series
本文研究多元圆时间序列建模，提出通过圆连接函数描述横截面与序列依赖性，将多元圆连接函数密度分解为配对圆连接函数密度乘积，并结合严格平稳多阶马尔可夫过程减少参数，最后通过风向数据验证了模型有效性。
2023-11-22 stat.ME
Generalizing Distance Covariance to Measure and Test Multivariate Mutual Dependence
我们提出了三种多个随机向量之间相互依赖的度量。所有测度为零当且仅当随机向量相互独立。第一个度量将距离协方差从成对依赖推广到相互依赖，而另外两个度量是距离协方差的平方和。所有的措施共享类似的性质和渐近分布的距离协方差，并捕捉非线性和非单调的相互依赖的随机向量。受完全和不完全V-统计量的启发，我们定义了经验测度和简化的经验测度，作为检验相互独立性时复杂性和功效之间的权衡。仿真结果和实际数据的例子证明了测试的实施。
2018-02-25 math.ST stat.AP stat.CO
Topological Data Analysis for Directed Dependence Networks of Multivariate Time Series Data
本文针对现有TDA方法仅适用于对称依赖度量、无法刻画脑网络中有向信息流的局限，提出利用矩阵分解将加权连接网络分解为对称与反对称分量，并通过比较癫痫发作前后反对称分量的变化来分析EEG数据，取得了有希望的结果。
2023-06-13 stat.ME
Instantaneous and lagged measurements of linear and nonlinear dependence between groups of multivariate time series: frequency decomposition
定义了任意多变量时间序列之间的线性相关性（相干性）和非线性相关性（相位同步性）的度量。该措施表示为滞后依赖性和瞬时依赖性的总和。这些度量是非负的，并且仅当相关类型独立时才取零值。这些措施是在频域中定义的，适用于平稳和非平稳的时间序列。这些新结果显著地扩展和改进了先前技术报告中提出的结果（Pascual-Marqui 2007，arXiv：0706.1776 [stat.ME]，http：//arxiv.org/abs/0706.1776），并且在很大程度上受到Geweke关于线性反馈的开创性论文（1982 JASA 77：304-313）的激励。一个重要的应用领域是神经生理学，其中的时间序列包括在几个大脑位置的电神经元活动。相干和相位同步被解释为位置之间的“连接性”。然而，由于体积传导和低空间分辨率，任何依赖性测量都高度污染了瞬时的非生理贡献。新技术大大消除了这种混淆因素。此外，依赖性的测量可以联合应用于任何数量的大脑区域，即分布式皮质网络，其活动可以用eLORETA估计（Pascual-Marqui 2007，arXiv：0710.3341 [math-ph]）。
2007-11-09 stat.ME
Estimating Extremal Dependence in Univariate and Multivariate Time Series via the Extremogram
Davis和Mikosch [7]介绍了极值图作为一种灵活的定量工具，用于测量平稳时间序列中各种类型的极值相关性。在那里，我们展示了样本极值图的一些标准统计特性。一个主要的困难是为极值图建立可信的置信带。在本文中，我们采用平稳的引导，以克服这个问题。此外，我们引入交叉极值图作为两个或多个时间序列之间的极值序列相关性的度量。我们还研究了极值事件之间的返回时间的极值图。平稳引导的极值图和由此产生的解释的使用说明在几个单变量和多变量的金融时间序列的例子。
2011-07-27 math.ST stat.ME stat.TH
Nonparametric estimation of multivariate extreme-value copulas
极值copula出现在独立随机样本的分量最大值的渐近理论中。极值Copula由其Pickands依赖函数确定，该函数是单位单纯形上的函数，受到某些形状约束，这些形状约束来自称为谱测度的基础测度的积分变换。多元扩展提供了某些基于秩的非参数估计的Pickands依赖函数。的形状约束，估计本身应该是一个Pickands的依赖函数是强制执行的初始估计由其最佳最小二乘近似的Pickands的依赖函数的集合中具有离散的频谱测量支持在一个足够细的网格。证明了标准化估计的弱收敛性，并通过模拟实验研究了估计的有限样本性能。
2011-11-29 stat.ME
Copula-type Estimators for Flexible Multivariate Density Modeling using Mixtures
Copula是流行的多元相关模型，因为它们允许的边际密度和联合依赖分别建模。然而，它们通常要求从一致边缘到联合依赖结构的边缘的变换是已知的。这只能对一组受限的copula，例如一个正常的copula。我们的文章介绍了copula型估计灵活的多元密度估计，也允许边际密度建模单独的联合依赖，在copula建模，但克服了最流行的copula估计缺乏灵活性。提出了一种估计Copula型估计量的迭代方法，并通过仿真和实例证明了它的有效性。联合依赖模型分别采用混合法向量和混合法向量因子分析器模型、混合t因子分析器模型和混合t因子分析器模型。我们开发了高效的变分贝叶斯算法拟合这些模型选择是自动进行的。基于这些混合模型，我们构造了四类Copula型密度，它们比当前流行的Copula密度更灵活，并且在模拟和一些真实数据集上优于它们。
2013-06-13 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
Modeling Multivariate Time Series with Copula-linked Univariate D-vines
本文提出了一种新的多元时间序列模型Copula-linked univariate D-vines（CuDvine），它可以同时对多元时间序列的时间依赖和截面依赖进行基于Copula的建模。为了构建CuDvine，我们首先基于D-vine构建半参数单变量D-vine时间序列模型（uDvine）。uDvine将现有的基于一阶Copula的马尔可夫链模型推广到任意阶的马尔可夫链。在uDvine的基础上，我们通过连接多个uDvine来构建CuDvine。作为一个简单易行的模型，CuDvine为时间序列的边缘行为和时间依赖性提供了灵活的模型，也可以为高维应用提供复杂的横截面依赖性，如时变和时空依赖性。鲁棒性和计算效率高的程序，包括一个连续的模型选择方法和一个两阶段的极大似然估计，提出了模型估计和推理，并研究了它们的统计特性。数值实验证明了CuDvine的灵活性，并检验了顺序模型选择过程和两阶段极大似然估计的性能。澳大利亚电价数据的实际应用表明，CuDvine的性能优于传统的多元时间序列模型。
2020-12-01 stat.ME
A Proxy-likelihood Estimator for Multivariate Extremes Models with Intractable Likelihoods
University of Massachusetts Amherst（阿默斯特马萨诸塞大学）；Colorado State University（科罗拉多州立大学）
针对似然不可处理的多元极值模型，提出基于尾部成对依赖性的代理似然估计器，采用Hüsler-Reiss分布，在TLETS模型上优于现有方法，并应用于野火天气数据。
2026-09-25 stat.ME
Multivariate Extremes Over a Random Number of Observations
经典的多元极值理论关注多元随机样本中极值的建模，建议使用最大稳定分布。在这项工作中，经典理论被扩展到的情况下，聚合数据，如观察的随机数的最大值，被认为是。我们得到了一个关于聚集数据分布的吸引子的极限定理，它归结为一族新的最大稳定分布。我们还把经典的最大稳定分布的极值依赖结构和我们的新的最大稳定分布族的极值依赖结构联系起来。通过反演方法，我们得到一个半参数的复合估计的极值依赖的不可观测的数据，从一个初步估计的极值依赖的聚合数据。此外，我们发展了复合估计的大样本理论，并通过模拟研究说明其有限样本性能。
2020-03-11 stat.ME
Flexible Modeling of Multivariate Spatial Extremes
我们开发了一个新的多因素copula模型的多变量空间极值，它的目的是捕捉不同的组合的边际和跨极值依赖结构内和跨不同的空间随机场。我们提出的模型，这可以被看作是一个多因素copula模型，可以捕捉所有可能的不同组合的极值依赖结构在每个单独的空间过程中，同时允许灵活的跨过程极值依赖结构的上尾和下尾。我们展示了如何使用马尔可夫链蒙特卡罗算法的基础上精心设计的块建议与自适应步长的贝叶斯推断所提出的模型。在我们的实际数据应用中，我们应用我们的模型来研究在美国东南部的阿拉巴马州的日最高气温（TMAX）和日最低气温（TMIN）的上，下极值依赖结构。拟合的多变量空间模型被发现提供了一个很好的适合在下和上联合尾，无论是在每个单独的过程中的空间依赖结构，以及在跨过程的依赖结构。我们的研究结果表明，TMAX和TMIN过程在阿拉巴马州的空间依赖性很强，并适度交叉依赖。从实际的角度来看，这意味着，它可能是值得的模型，他们联合时，利益在于计算空间风险的措施，涉及两个数量。
2022-06-22 stat.ME
Detecting changes in cross-sectional dependence in multivariate time series
经典的和最近的测试检测分布变化的多元时间序列往往缺乏权力对替代品，涉及变化的横截面依赖结构。为了能够更好地检测这种变化，测试介绍了最近研究的变异的顺序经验copula过程的基础上。与早期的尝试相比，排名是相对于相关子样本计算的，对测试的灵敏度有好处。对于p值的计算，我们提出了一个乘数reservation计划，考虑到串行依赖。建立了检验统计量的大样本理论和检验方案。有限样本的性能的程序进行评估，通过蒙特卡罗模拟。两个案例研究，涉及财务回报的时间序列。
2014-05-21 math.ST stat.ME stat.TH
Multivariate temporal dependence via mixtures of rotated copulas
本文提出一种由参数 copula 的 2^m 个旋转构成的混合模型，用于在 m 维情形下同时捕捉多种尾部依赖特征，并将其扩展为混合概率随时间演化的动态版本，通过模拟和真实数据验证了模型性能。
2025-02-10 stat.ME
Modeling and Simulating Dependence in Networks Using Topological Data Analysis
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出了一种新的方法，用于模拟具有特定连接模式的多元时间序列数据，并生成更高维拓扑特征，以评估TDA方法在分析网络依赖关系中的性能。
2022-09-21 stat.ME
Wasserstein-based Minimax Estimation of Dependence in Multivariate Regularly Varying Extremes
本文首次为多元线性因子模型中谱测度估计建立极小极大风险界，以Wasserstein距离导出非渐近收敛速率并证明最优性，提出两步估计量达到下界，弥合极值理论中偏差-方差权衡的空白。
2024-11-09 math.ST stat.ME stat.TH
Clustered Factor Analysis for Multivariate Spatial Data
针对空间数据的空间异质性问题，提出一种结合空间聚类与因子分析的迭代方法，可同时检测空间簇并为各簇估计独特因子模型，模拟与东京火车站数据应用验证了其有效性与灵活性。
2024-11-13 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
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
Nonparametric estimation of multivariate copula using empirical bayes method
在金融、保险、系统可靠性等领域，通常感兴趣的是通过使用copula对多变量分布建模来测量变量之间的相关性。具有参数假设的copula模型易于估计，但当这些假设是错误的时，可能会有很大的偏差，而经验copula是非光滑的，通常不是真正的copula，使得在实践中对相关性的推断具有挑战性。作为一种妥协，经验伯恩斯坦copula提供了一个光滑的估计，但估计的调谐参数仍然难以捉摸。在本文中，通过使用所谓的经验棋盘copula，我们建立了一个分层的经验贝叶斯模型，使估计的光滑copula函数的任意尺寸。基于多元Bernstein多项式的估计量本身是一个真正的copula，其维数变化程度的选择是依赖于数据的。我们还表明，建议copula估计提供了一个更准确的估计，可以得到在封闭形式的多变量相关措施。我们调查的渐近和有限样本性能的估计，并比较它与一些非参数估计，通过模拟研究。投资组合风险管理的应用，以及量化的估计不确定性。
2021-12-20 stat.ME
Stationary vine copula models for multivariate time series
多元时间序列表现出两种类型的相关性：跨变量和跨时间点。藤连接函数是依赖关系的图形模型，可以方便地在同一个模型中捕获两种类型的依赖关系。我们得到的最大类的图结构，保证平稳性下的一个自然的和可验证的条件称为平移不变性。我们提出了计算效率的方法估计，模拟，预测和不确定性量化，并通过渐近结果和模拟显示其有效性。理论结果允许错误指定的模型，甚至当专门的iid的情况下，超出了什么是在文献中。他们的证明是基于一般半参数矩估计法的新结果，这将是独立的利益。新的模型类说明了一个应用程序，预测回报的投资组合的20只股票，在那里他们表现出出色的预测性能。该文件是伴随着一个开放源代码的软件实现。
2022-03-14 stat.ME
Tracking change-points in multivariate extremes
在本文中，我们设计了一个统计方法跟踪和建模的变化点的依赖结构的多元极值。这些方法的动机是通过对加密资产的案例研究来说明的。
2020-11-10 q-fin.ST stat.ME
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
Nonparametric forecasting of multivariate probability density functions
随机变量间相关性的研究是理论统计和应用统计学的核心内容。静态和动态copula模型是有用的描述依赖结构，这是完全加密的copula概率密度函数。然而，这些模型并不总是能够描述依赖模式的时间变化，这是金融数据的一个关键特征。我们提出了一种新的非参数框架建模的时间序列的Copula概率密度函数，它允许预测整个功能，而不需要后处理程序，以授予积极性和单位积分。我们利用一个合适的等距，允许转移分析的平方可积函数的空间的一个子集，在那里我们建立在非参数函数数据分析技术来执行分析。该框架不假设密度属于任何参数族，它也可以成功地应用于一般的多元概率密度函数有界或无界的支持。最后，一个值得注意的应用领域涉及通过藤copula模型表示的时变网络的研究。我们应用所提出的方法来估计和预测S\P500和NASDAQ指数之间的时变相关结构。
2018-03-19 stat.ME
Linking representations for multivariate extremes via a limit set
多元极值的研究主要是由多元规则变化，虽然它是众所周知的，这种方法并没有提供足够的区分随机向量，其组件并不总是同时大。已经提出了各种替代的相关性度量和表示，其中最著名的是隐藏的规则变化和条件极值模型。这些不同的极值依赖性是通过考虑多变量域的不同部分而产生的，特别是探索当一个变量的极值可能以不同的速度增长到其他变量时会发生什么。到目前为止，这些不同的表现形式来自不同的来源，它们之间的联系是有限的。在这项工作中，我们阐明了许多相关的连接，通过几何方法。特别是，在轻尾利润率的缩放样本云的极限集的形状示出提供了几个不同的极值依赖表示的描述。
2021-08-14 math.ST stat.ME stat.TH
Sequential Bayesian Analysis of Multivariate Count Data
我们开发了一类新的动态多变量泊松计数模型，允许快速在线更新，我们将这些模型称为多变量泊松尺度β（MPSB）。MPSB模型允许计数中的序列依赖性以及在随机公共环境下跨多个序列的依赖性。其他显着的功能包括状态传播和预测似然密度的分析形式。通过更新静态模型参数的充分统计量来进行顺序更新，从而产生完全适应的粒子学习算法和一类新的预测似然和边缘分布，我们将其称为（动态）多变量融合超几何负二项分布（MCHG-NB）和动态多变量负二项分布（DMNB）。为了说明我们的方法，我们使用了各种模拟研究，并计算了每周非耐用品消费者需求的数据。
2016-09-15 stat.CO stat.ME
Discussion of Multiscale Fisher's Independence Test for Multivariate Dependence
Gorsky & Ma（2022）提出的多尺度Fisher独立性检验（Multiscale Fisher's independence test，以下简称MULTIFIT）是一种检验两个随机向量之间独立性的新方法。通过其设计，该测试在检测局部依赖性方面特别有用。此外，通过采用免重采样的方法，它可以很容易地容纳大量的样本量。所提出的方法的另一个好处是它能够解释依赖的性质。我们祝贺作者Shai Gorksy和Li Ma的非常有趣和优雅的工作。在这篇评论中，我们想讨论一个统一的MULTIFIT和其他测试的一般框架，并将其与Lee等人提出的二进制扩展随机集成测试（BERET）进行比较。我们还想对该方法的潜在扩展提出我们的想法。
2022-04-26 math.ST stat.ME stat.ML
GPDFlow: Generative Multivariate Threshold Exceedance Modeling via Normalizing Flows
本文提出 GPDFlow，利用归一化流灵活建模 mGPD 的多元阈值超越依赖结构，支持边际尾部推断并推导多种尾部依赖系数，模拟与美国五大银行风险应用显示其优于传统参数方法。
2025-03-14 stat.ME stat.ML
