«copula» etiketlenmiş sorular

Bir kopula, tek tip marjinal dağılımlara sahip çok değişkenli bir dağılımdır. Kopulalar çoğunlukla rasgele değişkenler arasındaki bağımlılığın yapısını marjinal dağılımlardan ayrı olarak temsil etmek veya modellemek için kullanılır.

3
Eklem dağılımının Gauss olmayan olmadığı bir çift Gauss rastgele değişkeni olması mümkün mü?
Biri bana bu soruyu bir iş görüşmesinde sordu ve ortak dağıtımlarının her zaman Gauss olduğunu söyledi. Ben her zaman bir iki değişkenli Gaussian'ı araçları, varyansları ve kovaryanslarıyla yazabileceğimi düşündüm. İki Gaussian'ın ortak ihtimalinin Gauss olmadığı bir durum olup olmadığını merak ediyorum.

5
Copulas'ta tanıtım okuması
Şimdilik bir süredir, seminerim için Copulas ile ilgili iyi bir tanıtım okudum. Teorik yönlerden bahseden pek çok materyal buluyorum, ki bu iyi, ancak bu konulara geçmeden önce konuyla ilgili iyi bir sezgisel anlayış inşa etmek istiyorum. Herhangi biri yeni başlayanlara iyi bir temel sağlayacak herhangi bir iyi makale önerebilir mi …

1
Lognormal rastgele değişkenler için ulaşılabilir korelasyonlar
Log ( X 1 ) ∼ N ( 0 , 1 ) ve log ( X 2 ) ∼ N ( 0 , σ 2 ) ile lognormal rasgele değişkenleri X1X1X_1 ve düşünün .X2X2X_2log(X1)∼N(0,1)log⁡(X1)∼N(0,1)\log(X_1)\sim \mathcal{N}(0,1)log(X2)∼N(0,σ2)log⁡(X2)∼N(0,σ2)\log(X_2)\sim \mathcal{N}(0,\sigma^2) ρ dk ρ ( X 1 , X 2 )ρmaxρmax\rho_{\max}ρminρmin\rho_{\min}ρ(X1,X2)ρ(X1,X2)\rho (X_1,X_2) ρmax=ρ(exp(Z),exp(σZ))ρmax=ρ(exp⁡(Z),exp⁡(σZ))\rho_{\max}=\rho (\exp(Z),\exp(\sigma Z)) …

1
Çok değişkenli standart normal dağılım ve Gauss kopula arasındaki fark
Çok değişkenli standart normal dağılım ile Gaussian kopula arasındaki farkın ne olduğunu merak ediyorum çünkü yoğunluk fonksiyonuna baktığımda benim için aynı görünüyorlar. Benim sorunum Gaussian kopula'nın neden tanıtıldığı veya Gaussian kopula'nın ne fayda sağladığı veya Gaussian kopula çok değişkenli standart normal fonksiyondan başka bir şey olmadığında üstünlüğünün ne olduğudur. Ayrıca, …

1
Kopula yoğunluğu için üst sınırlar?
Frechet-Hoeffding üst sınırı bağ dağılım fonksiyonu için geçerlidir ve bu verilir C(u1,...,ud)≤min{u1,..,ud}.C(u1,...,ud)≤min{u1,..,ud}.C(u_1,...,u_d)\leq \min\{u_1,..,u_d\}. CDF yerine yoğunluğu için benzer bir (marjinal yoğunluklara bağlı olarak) üst sınır var mı?c(u1,...,ud)c(u1,...,ud)c(u_1,...,u_d) Herhangi bir referans büyük mutluluk duyacağız.

1
Gauss kopula'sından nasıl taklit edilir?
Diyelim ki simüle edebileceğim ve gibi iki tek değişkenli marjinal dağılımım var . Şimdi, adlandırılan bir Gauss kopula kullanarak ortak dağıtımlarını oluşturun . Tüm parametreler bilinir.G C ( F , G ; Σ )FFFGGGC(F,G;Σ)C(F,G;Σ)C(F,G;\Sigma) Bu kopuladan benzetim yapmak için MCMC olmayan bir yöntem var mı?

2
İki ilişkili rasgele değişkeni örneklemek için bazı teknikler nelerdir?
İki ilişkili rasgele değişkeni örneklemek için bazı teknikler nelerdir: olasılık dağılımları parametrelendirildiyse (örn. log-normal) parametrik olmayan dağılımları varsa. Veriler, sıfır olmayan korelasyon katsayılarını hesaplayabildiğimiz iki zaman serisidir. Tarihsel korelasyon ve zaman serileri CDF'sinin sabit olduğunu varsayarak bu verileri gelecekte simüle etmek istiyoruz. Durum (2) için, 1-B analogu CDF'yi ve ondan …


5
İlişkili normal olmayan veri üretme yöntemi
İlişkili, normal olmayan veriler üretmek için bir yöntem bulmakla ilgileniyorum. İdeal olarak, bir kovaryans (veya korelasyon) matrisini parametre olarak alan ve ona yaklaşan veriler üreten bir çeşit dağıtım. Ama işte yakalama: bulmaya çalıştığım yöntem, çok değişkenli çarpıklığını ve / veya basıklığını kontrol etme esnekliğine sahip olmalıdır. Fleishman'ın yöntemini ve normal …

1
R / mgcv: te () ve ti () tensör ürünleri neden farklı yüzeyler üretir?
mgcvİçin paket Rtensör ürün etkileşimleri uydurma için iki işlevi vardır: te()ve ti(). İkisi arasındaki temel işbölümünü anlıyorum (doğrusal olmayan bir etkileşime uymak ve bu etkileşimi ana etkilere ve etkileşime ayırmak). Anlamadığım şey neden te(x1, x2)ve ti(x1) + ti(x2) + ti(x1, x2)(biraz) farklı sonuçlar üretebilir. MWE (uyarlanmıştır ?ti): require(mgcv) test1 <- …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 


2
Karışık dağıtım için ters CDF örneklemesi
Bağlam dışı kısa versiyon , CDF ile rastgele bir değişken olsunyyyF(⋅)≡{θθ+(1−θ)×CDFlog-normal(⋅;μ,σ) y = 0 y > 0F(⋅)≡{θ y = 0 θ+(1−θ)×CDFlog-normal(⋅;μ,σ) y > 0 F(\cdot) \equiv \cases{\theta & y = 0 \\ \theta + (1-\theta) \times \text{CDF}_{\text{log-normal}}(\cdot; \mu, \sigma) & y > 0} Diyelim ki ters CDF yöntemini kullanarak çizimlerini …

2
Uyarlanabilir bir kopula nedir?
Temel sorum şu: Uyarlanabilir bir kopula nedir? Bir sunumdan slaytlarım var (ne yazık ki, slaytların yazarına uyarlamalı kopulalar hakkında soru soramıyorum) ve bunun ne anlama geldiğini anlamıyorum. bu ne için iyi? Slaytlar şunlardır: Sonra slaytlar bir değişim noktası Testi ile devam eder. Bunun ne olduğunu ve neden kopulalarla bağlantılı olarak …
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.