Bewertung:
Das Buch gilt als umfassendes und unverzichtbares Nachschlagewerk für Forscher, die sich für die Copula-Theorie und fortgeschrittene Statistik interessieren. Es wird jedoch als sehr technisch und nicht für Anfänger geeignet bezeichnet.
Vorteile:Umfassendes und aktuelles Nachschlagewerk, unverzichtbar für Forscher auf dem Gebiet der Copula-Modellierung, deckt ein breites Spektrum von Anwendungen ab, enthält Diskussionen über Reben-Copulas und Modellanpassung.
Nachteile:Sehr technisch und trocken, setzt fortgeschrittene Statistikkenntnisse voraus, enthält kein einführendes Material, nicht für Anfänger geeignet.
(basierend auf 3 Leserbewertungen)
Dependence Modeling with Copulas
Dependenzmodellierung mit Copulas deckt die wesentlichen Fortschritte ab, die in den letzten 15 Jahren auf diesem Gebiet gemacht wurden, einschließlich der Modellierung hochdimensionaler Daten mit Vine-Copula. Vine-Copula-Modelle werden aus einer Folge von bivariaten Copulas konstruiert.
In diesem Buch werden Verallgemeinerungen von Vine-Copula-Modellen entwickelt, einschließlich allgemeiner und strukturierter Faktormodelle, die sich von der Gaußschen Annahme auf Copulas erstrecken. Es werden auch andere multivariate Konstruktionen und parametrische Copula-Familien mit unterschiedlichen Schweif-Eigenschaften erörtert, und es wird umfangreiches Material über Abhängigkeiten und Schweif-Eigenschaften präsentiert, das bei der Auswahl von Copula-Modellen hilft. Der Autor zeigt, wie wichtig numerische Methoden und Algorithmen für Inferenz und Simulation bei hochdimensionalen Copula-Anwendungen sind.
Er stellt die Algorithmen als Pseudocode dar und illustriert ihre Implementierung für hochdimensionale Copula-Modelle. Er bezieht auch Ergebnisse zur Bestimmung von Abhängigkeiten und Schwanz-Eigenschaften multivariater Verteilungen für zukünftige Konstruktionen von Copula-Modellen ein.
| ISBN: | 9781466583221 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2016 |
| Seitenzahl: | 480 |
Derzeit verfügbar, auf Lager.
