Vine Copulas for Analyzing Multivariate Conditional Dependencies in Electronic Health Records Data
Tennessee State University(田纳西州立大学);Old Dominion University(老道明大学)
本文提出利用藤形联合分布方法分析电子健康记录数据中的多变量条件依赖,通过构建树状结构识别变量间的条件依赖关系,提升高维医疗数据的概率挖掘能力。
2026-04-09 stat.AP stat.CO
The Bivariate Defective Gompertz Distribution Based on Clayton Copula with Applications to Medical Data
在医学研究中,常见的情况是存在一部分未发生关注事件的患者。这些患者是没有事件风险的人,或者是在研究期间治愈的患者。免疫或治愈患者的比例在文献中称为治愈率。传统的寿命统计模型一般不适用于包含双变量寿命的治愈率数据集。在本文中,它提出了一个双变量模型的基础上,一个缺陷Gompertz分布,并使用克莱顿copula函数来捕捉可能的依赖结构之间的寿命。进行了广泛的模拟研究,以评估偏差和均方误差的极大似然估计的参数与拟议的分布。使用医疗数据的一些应用程序,以显示所提出的模型的有用性。
2020-12-14 stat.AP
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
Gene-based Association Analysis for Bivariate Time-to-event Data through Functional Regression with Copula Models
最近提出了几种基于基因的事件发生时间性状关联检验,以检测一个基因区域(包含多个变体)作为一个集合是否与生存结果相关。然而,对于双变量生存结局,据我们所知,没有统计方法可以直接应用于基于基因的关联分析。受遗传学研究的启发,发现与双眼疾病,黄斑变性(AMD)的进展相关的基因区域,我们实现了一种新的功能回归方法copula框架下。具体而言,基因区域内的变异的影响通过功能性线性模型建模,其然后有助于copula内的边际生存函数。利用广义得分检验和似然比检验检验了双变量生存性状与遗传区域的关联性。进行了广泛的模拟研究,以评估所提出的方法的第一类错误控制和功率性能,与现有的几种方法相比,一个单一的生存性状,以及边缘Cox函数回归模型使用的双变量生存性状的稳健三明治估计。最后,我们将我们的方法应用于一项大型AMD研究,即AMD相关眼病研究(AREDS),以确定与AMD进展相关的基因区域。
2019-04-01 stat.AP
Directional Multivariate Extremes in Environmental Phenomena
几种环境现象可以用不同的相关变量来描述,这些变量必须结合起来考虑,以便更好地代表这些现象的性质。对于这类事件,如果基于边际分析来确定极端情况是不适当的。极值通常与分位数的概念联系在一起,分位数是在单变量环境中分析风险的重要工具。我们建议识别多变量极端和分析环境现象的方向多元分位数,这使我们能够分析数据,考虑所有的变量隐含在现象中,以及在有趣的方向,可以更好地描述环境灾难的数据。由于文献中有许多文献提出了基于copula模型的极值检测,我们还通过引入方向性方法来推广copula方法。本文介绍的非参数建议和Copula方法的优点和缺点。我们展示了模拟和真实数据集如何通过考虑第一主成分方向,我们可以提高极端的可视化。最后,两个案例的研究进行了分析:一个综合的情况下,洪水风险在一个大坝(3变量的情况下),和一个真正的案例研究的海上风暴(5变量的情况下)。
2016-06-10 stat.AP
COBASE: A new copula-based shuffling method for ensemble weather forecast postprocessing
Eindhoven University of Technology(埃因霍温理工大学);Royal Netherlands Meteorological Institute(荷兰皇家气象研究所);GeoSphere Austria(奥地利地球科学研究所)
COBASE是一种基于copula的洗牌方法,用于改进集合天气预报的多变量后处理,通过保留参数建模的灵活性和非参数技术的模拟,实现校准的边缘和现实的依赖性重建。
2025-12-22 stat.AP
Finite mixture copulas for modeling dependence in longitudinal count data
针对标准椭圆copula在纵向计数数据相关性建模中灵活性不足的问题,提出有限混合椭圆copula方法,通过理论分析、模拟和真实数据验证了其性能优势。
2025-01-19 stat.AP stat.ME
Autoplotly - Automatic Generation of Interactive Visualizations for Popular Statistical Results
autoplotly软件包提供了一些功能,可以为ggfortify软件包支持的许多流行的统计结果自动生成交互式可视化,具有plotly和ggplot 2风格。生成的可视化也可以使用ggplot 2和plotly语法轻松扩展,同时保持交互性。
2018-03-08 stat.AP stat.CO
A study of dependency features of spike trains through copulas
尽管统计和机器学习技术取得了进步,但许多神经元的同时记录隐藏了重要信息,并且表征网络的连接通常仍未被发现。从数据中识别神经元之间的直接联系仍然是一个尚未完全解决的问题。为了扩大用于检测底层网络结构的工具的数量,我们在这里提出使用copula,继续我们在[1]中开始的研究方向。在这里,我们调整它们的使用来区分非常简单的网络上的不同类型的连接。我们的建议包括选择合适的随机间隔对穗列车确定其copula的形状。我们表明,这种方法可以检测不同类型的依赖关系。我们说明了所提出的方法的功能,从适当连接的网络直接连接或周围的网络影响的两个或三个正式的神经元的合成数据。我们展示了如何一个聪明的选择对随机时间与经验copula的使用,可以区分直接和非直接的相互作用。
2019-03-20 q-bio.NC stat.AP
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
Enhanced variable selection for boosting sparser and less complex models in distributional copula regression
本文针对分布型 copula 回归中标准提升算法易选入过多低重要性变量的问题,提出结合 probing、稳定性选择和新剔除方法的增强变量选择策略,在模拟与 UK Biobank 等应用中验证其能减少假阳性并保持预测性能。
2024-06-06 stat.AP stat.ME
A mixed effect model for bivariate meta-analysis of diagnostic test accuracy studies using a copula representation of the random effects distribution
诊断测试准确性研究通常报告真阳性、假阳性、真阴性和假阴性的数量。真阳性和真阴性的数量之间通常存在负相关,因为采用不太严格的标准宣布试验阳性的研究会引起更高的灵敏度和更低的特异性。广义线性混合模型(GLMM)是目前推荐的综合诊断试验的准确性研究。我们提出了一个Copula混合模型,用于诊断试验准确性研究的双变量荟萃分析。我们的一般模型包括GLMM作为一个特殊的情况下,也可以操作的灵敏度和特异性的原始规模。通过分位数回归技术和不同的双变量随机效应分布特征,推导出该模型的受试者工作特征曲线。我们的一般方法是证明了广泛的模拟研究,并说明了重新分析的数据,两个发表的荟萃分析。我们的研究表明,可以有一个改进的GLMM在适合的数据,并提出了论点,为移动到copula随机效应模型。我们的建模框架在开源统计环境R中的CopulaREMADA包中实现。
2015-02-26 stat.AP stat.ME
Bayesian Bootstrap based Gaussian Copula Model for Mixed Data with High Missing Rates
本文提出贝叶斯自助法高斯Copula模型BBGC,通过量化边缘分布不确定性并支持混合数据类型,在高缺失率下优于现有插补方法。
2025-07-22 stat.AP stat.ME
The Impact of Oil and Gold Prices Shock on Tehran Stock Exchange: A Copula Approach
本研究采用ARIMA-Copula模型分析石油和黄金价格对德黑兰证券交易所的影响,发现黄金无直接关系但石油波动显著影响股市,且油价下跌对伊朗经济不利。
2020-01-30 q-fin.ST stat.AP
Stage-wise semiparametric analysis of multivariate event times under informative censoring via vine copula
Mississippi State University(密西西比州立大学)
本文提出基于 vine copula 的多变量事件时间分析框架,以处理终止事件导致的信息性删失,并通过分阶段似然推断刻画异质性事件依赖。
2026-11-03 stat.AP stat.CO stat.ME
SYNC: A Copula based Framework for Generating Synthetic Data from Aggregated Sources
Northeastern University Toronto(多伦多东北大学);Arima Inc.(阿里马公司);H. John Heinz III College Carnegie Mellon University(卡内基梅隆大学约翰·海因茨三世学院);University of Toronto(多伦多大学)
合成数据集是以编程方式生成的数据对象,当直接收集困难或成本高昂时,从多个源创建单个数据集可能很有价值。虽然它是许多数据科学任务的基本步骤,但缺乏有效和标准的框架。在本文中,我们研究了一种称为降尺度的特定合成数据生成任务,这是一种推断高分辨率,难以收集的信息(例如,个人水平的记录)从许多低分辨率,易于收集的来源,并提出了一个多阶段的框架,称为同步(通过高斯Copula合成数据生成)。对于给定的低分辨率数据集,SYNC的中心思想是将高斯copula模型拟合到每个低分辨率数据集,以便正确地捕获依赖性和边缘分布,然后从拟合的模型中采样以获得所需的高分辨率子集。然后使用预测模型将采样子集合并为一个,最后根据低分辨率边缘约束对采样数据集进行缩放。我们在这项工作中做出了四项重要贡献:1)提出一种新的框架,用于通过结合最先进的机器学习和统计技术从聚合数据源生成个体级数据,2)执行模拟研究以验证SYNC作为合成数据生成算法的性能,3)证明其作为特征工程工具的价值,以及在难以通过两个真实世界数据集收集的情况下的数据收集的替代方案,4)发布易于使用的框架实现,以在生产级别上实现可再现性和可扩展性,从而容易地合并新数据。
2020-09-20 cs.DB cs.LG stat.AP