Analysis of an interventional protein experiment using a vine copula based structural equation model
虽然有相当大的努力，以确定信号通路使用线性高斯贝叶斯网络从数据，有较少的重点，理解和量化的条件密度和概率的节点给定其父母从识别的贝叶斯网络。大多数连续数据的图形模型假设多变量高斯分布，这可能过于限制。我们重新分析了Sachs等人（2005）所考虑的实验环境中的数据，以说明这种限制的影响。为此，我们提出了一种新的非高斯非线性结构方程模型的基础上藤copula。特别是Kraus和Czado（2017）的D-vine回归方法。我们表明，这个模型类更适合拟合数据比标准的线性结构方程模型的基础上的生物同意图在萨克斯等人。（2005）。建模方法还允许研究哪些路径边缘由数据支持，哪些可以被移除。对于数据实验cd 3cd 28 +aktinhib，这种方法识别了三个边缘，这些边缘不再被数据支持。对于这些边缘中的每一个，可以找到基于实验条件的合理解释。
2021-11-19 stat.AP
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
Vine copula based post-processing of ensemble forecasts for temperature
今天的天气预报是使用数值天气预报（NWP）模式进行的，该模式由一组描述大气动力学的微分方程组成。这种数值预报模式的输出是未来大气状态的单一确定性预报。为了评估NWP预报中的不确定性，使用了所谓的预报集合。它们是通过采用不同变体的NWP模型生成的。然而，由于预报集合无法捕捉NWP模式中的全部不确定性，它们通常会出现偏差和离散误差。因此，采用统计后处理模型来校正偏差并改善校准已经成为常见的做法。我们提出了一种新的后处理方法的基础上的D-藤copula，代表其分位数的预测分布。这些模型允许比最先进的EMOS模型更一般的依赖结构，并且是高度数据适应的。我们的D-vine分位数回归方法在欧洲中期天气预报中心（ECMWF）的52个成员的集合的基础上，在不同的预测范围的温度预报的比较研究中表现出优异的预测性能。特别是对于更大的预测范围，该方法明显优于基准EMOS模型。
2018-11-06 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
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
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
A Vine-copula extension for the HAR model
对异质自回归（HAR）模型进行了修正，建立了四个部分波动率项的联合分布模型。即，今天、昨天、上周和上个月的波动性成分。联合分布依赖于一个（C-）藤copula结构，允许方便地提取波动率预测的基础上，今天的波动率的条件预期，鉴于其过去的条款。建议的实证应用涉及超过七年的高频交易价格的10只股票和评估的样本内，样本外和一步的预测性能，我们的模型每天实现的内核措施。本文提出的模型表现优于HAR对应的边际分布，Copula构造方法和预测设置不同的模型。
2019-07-19 econ.EM stat.AP
A general framework for data-driven uncertainty quantification under complex input dependencies using vine copulas
不确定输入的系统产生不确定的响应。不确定性量化（UQ）处理系统响应的统计估计，给定系统的计算模型和其输入的概率模型。在工程应用中，通常假设输入是相互独立的或通过高斯或椭圆相关结构（copula）耦合。在本文中，我们克服了这样的局限性，通过建模的依赖结构的多变量输入葡萄树连接。藤蔓copula是从简单的配对copula建立的多变量依赖模型。Vine表示足够灵活，可以捕获复杂的依赖关系。本文形式化的框架，需要建立葡萄树Copula模型的多变量输入，并将它们与几乎任何UQ方法。该框架允许对可用输入数据的概率输入模型进行完全自动化的数据驱动推断。该程序的例子桁架结构的两个有限元模型，都受到非高斯相关结构的输入。对于每种情况，我们分析的时刻的模型响应（使用多项式混沌展开），并进行结构可靠性分析，以计算系统的故障概率（使用一阶可靠性方法和重要性抽样）。通过蒙特卡罗模拟得到参考解。结果表明，虽然高斯假设产生有偏的统计数据，但vine copula表示实现了更精确的估计，即使它的结构需要从有限数量的观测中完全推断出来。
2018-08-10 stat.AP stat.CO stat.ME
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
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
Assessing univariate and bivariate risks of late-frost and drought using vine copulas: A historical study for Bavaria
本研究利用藤蔓连接函数模型，基于巴伐利亚1952-2020年的气候数据，评估了干旱和晚霜的单变量及双变量风险，并识别出高风险区域，以支持森林适应气候变化。
2023-10-16 stat.AP stat.ME stat.ML
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
Towards more realistic climate model outputs: A multivariate bias correction based on zero-inflated vine copulas
本文提出 VBC，利用 vine copula 与随机化 Rosenblatt 变换建模零膨胀多变量气候数据的依赖结构，显著提升3小时 CRCM5 输出的偏差校正效果。
2025-05-15 stat.AP stat.ME
Estimating Negative Income Distributions via Data Fusion with Vine Copula-based Imputation
Queensland University of Technology（昆士兰科技大学）；Australian Bureau of Statistics（澳大利亚统计局）
本研究提出基于C-Vine和D-Vine Copula条件抽样的插补数据融合框架，经模拟与真实数据验证，其在保留插补分布和依赖结构上优于现有方法，可用于估计负收入分布。
2026-08-21 stat.AP stat.ME
A multinomial truncated D-vine copula mixed model for the joint meta-analysis of multiple diagnostic tests
关于诊断研究的荟萃分析方法有大量文献，但主要集中在单一测试上。然而，对特定疾病的更好理解导致了多种测试的发展。多项广义线性混合模型（GLMM）是最近提出的联合荟萃分析的研究比较多个测试。我们提出了一种新的模型，多个测试的联合荟萃分析，假设独立的多项分布的计数的每个组合的测试结果在患病和非患病患者，条件的潜在向量的概率在患病和非患病患者的测试结果的组合。对于潜在比例的随机效应分布，我们采用了一个截断的可绘制的藤蔓copula，可以覆盖灵活的依赖结构。所提出的模型包括多项式GLMM作为特例，但也可以操作的潜在比例的原始规模。我们的方法证明了模拟研究和使用荟萃分析筛选唐氏综合征与两个测试：缩短肱骨和缩短股骨。我们的方法与多项式GLMM的比较，在真实数据的荟萃分析中得出了改变目前结论的结果。
2020-10-15 stat.AP stat.ME
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
D-Vine GAM Copula based Quantile Regression with Application to Ensemble Postprocessing
提出GAM-DVQR方法，通过Kendall's Tau参数化D-vine copula以引入额外协变量效应，在2米地表温度预报后处理中显著优于EMOS等方法，并支持静态训练期。
2023-09-11 stat.AP stat.ME
Variational Inference with Vine Copulas: An efficient Approach for Bayesian Computer Model Calibration
随着计算机体系结构的进步，计算模型的使用激增，以解决许多科学应用中的复杂问题，如核物理和气候研究。然而，这种模型的潜力往往受到阻碍，因为它们往往是计算昂贵的，因此不适合不确定性量化。此外，它们通常没有用实时观测进行校准。我们开发了一个计算效率高的算法的基础上变分贝叶斯推断（VBI）的计算机模型与高斯过程的校准。不幸的是，VBI的速度和可扩展性降低时，适用于校准框架与依赖的数据。为了保持VBI的效率，我们采用了一个成对的数据似然分解，使用藤连接分离的信息依赖结构的数据从他们的边缘分布。我们提供了理论和经验证据，我们的方法的计算可扩展性，并描述了所提出的算法的有效实施的所有必要的细节。我们还展示了我们的方法为从业者提供的机会，通过校准核结合能的液滴模型的真实数据的例子。
2021-07-02 stat.AP stat.CO stat.ML
A D-vine copula mixed model for joint meta-analysis and comparison of diagnostic tests
对于一种特定的疾病，可能会有两种诊断测试，其中每种测试都要经过几项研究。最近提出了一种四变量广义线性混合模型（GLMM），用于联合荟萃分析和比较两种诊断试验。我们提出了一个D-vine copula混合模型，用于联合荟萃分析和两个诊断测试的比较。我们的一般模型包括四变量GLMM作为一种特殊情况，也可以在原来的规模的敏感性和特异性。该方法允许直接计算每个测试的灵敏度和特异性，以及汇总受试者操作特征（SROC）曲线的参数，以及每个测试的SROC之间的比较。我们的方法是证明了一个广泛的模拟研究，并说明了元分析两个例子，其中2个测试诊断一种特定的疾病进行了比较。我们的研究表明，GLMM在拟合数据方面可以有所改进，因为我们的模型还可以提供尾部依赖性和不对称性。
2018-06-22 stat.AP stat.CO stat.ME
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
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 dependent circular-linear model for multivariate biomechanical data: Ilizarov ring fixator study
针对生物力学研究中圆-线性混合变量常被孤立分析、忽略相依性与周期性导致误差的问题，本文提出基于藤蔓copula的6维联合分布建模框架，可精准评估变量相依性并适配圆形变量周期性，为Ilizarov外固定架等同类数据的力学建模提供新方法。
2023-12-15 stat.AP
Factor copula models for non-Gaussian longitudinal data
本文提出含受试者特定潜变量的因子 copula 回归模型，以建模非高斯连续、二值和有序纵向数据的时间依赖，并通过模拟与实证表明其优于常用随机效应模型。
2025-02-16 stat.AP stat.ME
