Planteamiento del problema Meto Me todo dolo log g´ıa DDrawable -Vine RRegular -Vine Bibl Bi blio iogr graf´ af´ıa
DC- Vine para los principal principales es ´ındi ındices ces burs burs´ ´ atiles del atiles Mundo Danna Lesley Cruz Reyes
Profesora-Invest Profes ora-Investigadora igadora de la universidad univer sidad Santo Tom´as as Estudiante del Doctorado en Estad´ Estad´ıstica de la universidad Nacional de Colombia.
Planteamiento del problema Meto Me todo dolo log g´ıa DDrawable -Vine RRegular -Vine Bibl Bi blio iogr graf´ af´ıa
1 Planteamiento
del problema
Me todol olog og´´ıa 2 Met Copulas Vine El modelo
3
DDrawable-Vine
4
RRegular -Vine CCannico -Vine Selecci´ on on del modelo
5
Bib ibliliog ogra raff´ıa
Planteamiento del problema Meto Me todo dolo log g´ıa DDrawable -Vine RRegular -Vine Bibl Bi blio iogr graf´ af´ıa
Planteamiento del problema •
Existen estructuras multivariadas en datos que poseen:
•
Diferentes distribuciones marginales,
•
•
•
Dependencias no sim´etricas etricas entre algunos pares de variables. Dependencias con colas pesados entre algunos pares de variables. Estos no se pueden modelar con distribuciones param´ param´etricas etricas est´andar, andar, tales como la distribuci´ distr ibuci´on on de Gauss multivariante.
La funci´ on on c´ opula permite modelar dependencias opula independientemente de sus distribuciones marginales. No obstante, los modelos c´opula opula multivariados no permiten diferentes tipos de dependencia entre pares de variables.
Planteamiento del problema Meto Me todo dolo log g´ıa DDrawable -Vine RRegular -Vine Bibl Bi blio iogr graf´ af´ıa
Planteamiento del problema •
Existen estructuras multivariadas en datos que poseen:
•
Diferentes distribuciones marginales,
•
•
•
Dependencias no sim´etricas etricas entre algunos pares de variables. Dependencias con colas pesados entre algunos pares de variables. Estos no se pueden modelar con distribuciones param´ param´etricas etricas est´andar, andar, tales como la distribuci´ distr ibuci´on on de Gauss multivariante.
La funci´ on on c´ opula permite modelar dependencias opula independientemente de sus distribuciones marginales. No obstante, los modelos c´opula opula multivariados no permiten diferentes tipos de dependencia entre pares de variables.
Planteamiento del problema Meto Me todo dolo log g´ıa DDrawable -Vine RRegular -Vine Bibl Bi blio iogr graf´ af´ıa
Planteamiento del problema •
•
•
•
•
[Joe(1996)] Joe(1996)] genera genera la construcci´ on on de distribuci´ on on de probabilidad multivariada por medio de bloques, llamada pair-copulas. [Bedford(2001a)] y [Bedford(2001b) [Bedford(2001b)]] realiz´ o una construcci´on on por medio de un ´arbol, arb ol, denominada denomi nada c´ opula vine. opula [Koller(2009)] Koller(2009)] present´ present´ o en su libro la teor´ teor´ıa b´asica asi ca de model mo delos os gr´ gr´afico afi coss prob probab abiil´ısti ıs tico cos. s. [Aas(2009)] Aas(2009)] utiliz´ utiliz´ o esta construcci´ on on para determinar c´ opulas opulas multivariadas como la c´ opula gausiana, Gumbel y Clayton. opula [Haff(2010) Haff(2010)]] y [Stober(2013)] ¨ober(2013)] presentan algunos ejemplos sobre los casos que se puedan utilizar la construcci´ on on de un ´arbol arb ol y una forma factorizada. factoriza da.
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
•
•
•
•
El n´ umero de c´ opulas que se pueden representar por medio de un grafo se presentan en [Haff(2010)] [Frees(2010)] proponen el uso de funciones c´ opula en an´alisis de regresi´ on multivariado a modelos de variables latentes. [Parsa(2012)] ofrece una alternativa usando funciones c´ opulas en an´alisis de regresi´ on multivariado, donde tiene la posibilidad de proporcionar un mejor ajuste a los datos observados [Sto¨ber(2013)] y [Xaver(2013)] en sus tesis doctorales del a˜ no 2013, propone un an´alisis multivariado basado en c´ opulas utilizando modelos gr´aficos probabil´ısticos y redes bayesianas.
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
Definition Una copula bivariada (o 2-copula) es una 2-subcopula cuyo dominio es I 2 . Equivalentemente, una copula es una funci´ on C , desde I 2 a I con las siguientes propiedades. 1. Para toda u, v en I . C (u, 0) = 0 = C (0, v ) C (u, 1) = u
y
C (1, v ) = v
Esto se conoce como las condiciones de frontera para copulas 2. Para todo u1 , u2 , v1 , v2 en I tal que u1 ≤ u2 y v1 ≤ v2 C (u2 , v2 ) − C (u2 , v1 ) − C (u1 , v2 ) + C (u1 , v1 ) ≥ 0.
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
Teorema on de distribuci´ on Teorema de Sklar Sea F (y1 , y2 ) una funci´ multivariada con marginales F 1 (y1 ), F 2 (y2 ); entonces existe una c´ opula C tal que F (y1 , y2 ) = C (F 1 (y1 ), F 2 (y2 ); θ)
donde θ es el par´ametro de la c´ opula llamado par´ametro de dependencia, el cual mide la dependencia entre las distribuciones marginales. [ Trivedi & Zimmer(2007) ].
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
C (u1 , u2 ; θ )
Nombre
Frank
−1
θ θ (u− + u − − 1) 1 2
Clayton −1 θ
log
1+
Copulas Vine
θ
(e−θu1 −1)(e−θu2 −1) e−θ −1
1θ Gumbel exp(−(˜ uθ ˜θ ˜j = − log(uj ) 1 +u 2 ) ), donde u
φ(t)
Rango de θ
θ−1 (t−θ − 1)
(0, ∞)
− log
(e−θt −1) e−θ −1
(− log(t))θ
(−∞, ∞) [1, ∞)
Cuadro: Algunas c´ opulas Arquimedianas y sus generadores.
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
Cada familia se designa por un n´umero para resumir la notaci´ on (0 = indep.) •
C´opulas El´ıpticas • •
•
C´opulas Arquimedianas • • • •
•
family = 1 C´opula Gaussiana family = 2 C´opula t-Student family family family family
= = = =
3 4 5 6
C´opula Clayton C´opula Gumbel C´opula Frank C´opula Joe
C´opulas Arquimedianas dos par´ ametros • • • •
family = 7 C´opula Clayton - Gumbel (BB1) family = 8 C´opula Joe-Gumbel (BB6) family = 9 C´opula Joe-Clayton (BB7) family = 10 C´opula Joe-Frank (BB8)
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
Cada familia se designa por un n´umero para resumir la notaci´ on (0 = indep.) •
C´opulas Arquimedianas • • •
•
family = 23 C´opula Clayton rotada 90 grados family = 24 C´opula Gumbel rotada 90 grados family = 26 C´opula Joe rotada 90 grados
C´opulas Arquimedianas dos par´ ametros • • • •
family family family family
= = = =
27 28 29 30
C´opula Clayton - Gumbel (BB1) rotada 90 grados C´opula Joe-Gumbel (BB6) rotada 90 grados C´opula Joe-Clayton (BB7) rotada 90 grados C´opula Joe-Frank (BB8) rotada 90 grados
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
Cada familia se designa por un n´umero para resumir la notaci´ on (0 = indep.) •
C´opulas Arquimedianas • • •
•
family = 33 C´opula Clayton rotada 270 grados family = 34 C´opula Gumbel rotada 270 grados family = 36 C´opula Joe rotada 270 grados
C´opulas Arquimedianas dos par´ ametros • • • •
family = 37 C´opula Clayton - Gumbel (BB1) rotada 270 grados family = 38 C´opula Joe-Gumbel (BB6) rotada 270 grados family = 39 C´opula Joe-Clayton (BB7) rotada 270 grados family = 40 C´opula Joe-Frank (BB8) rotada 270 grados
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
C´ opulas rotadas Las c´ opulas arquimedianas rotadas capturan dependencias negativas: Si (U 1 , U 2 ) ∼ C 90o entonces (1 − U 1 , U 2 ) ∼ C 0o . Las c´ opulas de supervivencia son c´opulas rotadas 180o 0 degrees
90 degrees
180 degrees
270 degrees
6 . 0 u
6 . 0 u
6 . 0 u
6 . 0 u
0 . 0
0 . 0
0 . 0
0 . 0
0.0
0.4 u1
0.8
0.0
0.4 u1
0.8
0.0
0.4 u1
0.8
0.0
0.4 u1
0.8
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
C´ opulas Vine El fin es lograr representar la funci´on de densidad f (x1 , . . . , x n ) como un producto de pares de densidades de c´opulas y de densidades marginales.1 n−1 n−1
f (x1 , . . . , x n ) =
n
ci,j |i1 ,...,ik (F (xi |xi ), F (x j |x j ))
j =1 i=1
f k (xk )
k=1
Este tipo de descomposici´ ones llamada una D-vine, ya que esta expresi´on se puede representar por medio de una gr´afica con una secuencia de ´arboles anidados no dirigidos, llamada vine, donde las aristas indican los indices usados para la c´opula condicional. 1
Tomado de [Kramer(2011)]
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Copulas Vine
El modelo
La construcci´ on del modelo con un ´arbol regular consiste en asociar el conjunto de nodos N = N 1 , . . . , Nd −1 y el conjunto de aristas E = {E 1 , . . . , Ed −1 } por medio de la arista opula c j (e),k(e)|D(e) tal que: e = { j (e), k (e)|D(e)} en E i con una c´ n−1
f (x1 , . . . , xn ) =
i=1 e∈E i
n
cj (e),k(e)|D(e) (F (xj (e) |xD(e) ), F (xj (e) |xD(e) ))
k=1
f k (x
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
DDrawable -Vine Por ejemplo, para n = 3, se tiene el siguiente grafo: 1
12
12
2
13|2
23
3
23
f (x1 , x2 , x3 ) = f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 (F 1 (x1 ), F 2 (x2 ))c23 (F 2 (x2 ), F 3 (x3 ))(Par no condicionales) × c13|2 (F 1|2 (x1 |x2 ), F 3|2 (x3 |x2 ))(Par condicional)
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
DDrawable -Vine Por ejemplo, para n = 3, se tiene el siguiente grafo: 1
12
12
2
13|2
23
3
23
f (x1 , x2 , x3 ) = f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 (F 1 (x1 ), F 2 (x2 ))c23 (F 2 (x2 ), F 3 (x3 ))(Par no condicionales) × c13|2 (F 1|2 (x1 |x2 ), F 3|2 (x3 |x2 ))(Par condicional)
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
DDrawable -Vine Por ejemplo, para n = 3, se tiene el siguiente grafo: 1
12
12
2
13|2
23
3
23
f (x1 , x2 , x3 ) = f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 (F 1 (x1 ), F 2 (x2 ))c23 (F 2 (x2 ), F 3 (x3 ))(Par no condicionales) × c13|2 (F 1|2 (x1 |x2 ), F 3|2 (x3 |x2 ))(Par condicional)
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine 13
1
12
2
3
34
4
15
5
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 c13 c14 c34 (Par no condicionales)
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine 13
1
12
2
3
34
4
15
5
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 c13 c14 c34 (Par no condicionales)
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine 12
2, 3|1
13
1, 4| 3
34
3, 5| 1
15
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 c13 c14 c34 × c23|1 c14|3 c35|1
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine 12
2, 3|1
13
1, 4| 3
34
3, 5| 1
15
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 c13 c14 c34 × c23|1 c14|3 c35|1
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine
2, 3| 1
24|13
1, 4|3
45|13
3, 5| 1
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 c13 c14 c34 × c23|1 c14|3 c35|1 × c24|13 c45|13
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine
2, 3| 1
24|13
1, 4|3
45|13
3, 5| 1
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× c12 c13 c14 c34 × c23|1 c14|3 c35|1 × c24|13 c45|13
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine regular
2, 4|1, 3
2, 5|1, 3, 4
4, 5|1, 3
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× × × ×
c12 c13 c14 c34 c23|1 c14|3 c35|1 c24|13 c45|13 c25|134
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
RRegular -Vine regular
2, 4|1, 3
2, 5|1, 3, 4
4, 5|1, 3
f (x1 , x2 , x3 ) = f 5 (x5 )f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 )(marginales)
× × × ×
c12 c13 c14 c34 c23|1 c14|3 c35|1 c24|13 c45|13 c25|134
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
CCannico-Vine 3 13
1
14
4
13 2, 3|1
12
2, 4|1
2
12 23|1
14
3, 4|12
24|1
f (x1 , x2 , x3 , x4 )
=
Aristas en T1 Aristas en T1 Aristas en T1 f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 ) × c12 c13 c14 × c23|1 c23|1 × c34|12 Nodos en T1
Nodos en T2
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
CCannico-Vine 3 13
1
14
4
13 2, 3|1
12
2, 4|1
2
12 23|1
14
3, 4|12
24|1
f (x1 , x2 , x3 , x4 )
=
Aristas en T1 Aristas en T1 Aristas en T1 f 4 (x4 )f 3 (x3 )f 2 (x2 )f 1 (x1 ) × c12 c13 c14 × c23|1 c23|1 × c34|12 Nodos en T1
Nodos en T2
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Dada una densidad n−dimensional, es posible descomponerla en productos de las densidades marginales y densidades de la c´opula bivariada, representando esta descomposici´ on con un conjunto anidado de ´arboles que cumplen una condici´ on de proximidad.
Condici´ on de proximidad Si dos nodos en el j + 1 ´arbol est´an unidos por una arista, la correspondiente arista en el j −´esimo ´arbol comparten un nodo.
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros.
Datos
1
2
3
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros.
Datos
1
2
3
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros. 1
2
3
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros. 1
2
3
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros. Normal
1
Calyton
3
2
Gumbel
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros. Normal
1
Calyton
3
2
Gumbel
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros. 1
Normal ρ = ρ0
2
Gumbel, λ = λ0
Calyton, θ = θ0
3
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Selecci´ on del modelo ´ Modelo=Arbol+C´ opula+Par´ametros. 1
Normal ρ = ρ0
2
Gumbel, λ = λ0
Calyton, θ = θ0
3
4
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Los principales ´ındices burs´ atiles del mundo Se consideraron algunos de los ´ındices mundiales m´as grandes del mundo: •
El ´ındice Standard & Poor’s 500 de Estados Unidos S&P500 (ˆGSPC )
•
El ´ındice Nikkei de Jap´ on(ˆN 225)
•
El ´ındice SSE de China (ˆSSEC )
•
El ´ındice DAX de Alemania (ˆGDAXI )
•
El ´ındice CAC20 de Francia (ˆF C H I )
•
El ´ındice FTSE 100 de Inglaterra s (ˆF T S E )
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
0.0
0.4
0.8
0.0
0.4
0.8
0.0
0.4
0.8
6 . 0
^GSPC
0 . 0 6 . 0
^N225
0 . 0 6 . 0
^SSEC
0 . 0 6 . 0
^GDAXI
0 . 0 6 . 0
^FCHI
0 . 0 6 . 0
^FTSE
0 . 0
0.0
0.4
0.8
0.0
0.4
0.8
0.0
0.4
0.8
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
En R, la funci´on BiCopVuongClarke de [Clarke(2007)] y [Vuong(1989)] determina que familia se ajusta mejor, compara las c´ opulas dos en dos y le asigna +1 si se ajusta y −1 si no se ajusta. Al final, se elije la que tenga mayor puntaje, por ejemplo para ˆF C H I y ˆF T S E : > BiCopVuongClarke(worldindices[,5],worldindices[,6], familyset=c(1:10,13,14,16:20)) 1 2 3 4 5 6 7 8 9 10 13 14 16 17 18 19 20 Vuong 13 13 -11 4 0 -13 13 2 2 -9 -11 3 -13 13 1 2 -9 Clarke 13 16 -12 6 2 -12 13 4 1 -8 -12 4 -12 8 2 -4 -9
> BiCopSelect(worldindices[,5],worldindices[,6], familyset=c(1:10,13,14,16:20))$family [1] 2
opula t-Student. Por tanto la elecci´ on es la C´
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Se selecciona un Cvine siguiendo la metodolog´ıa de [Czado C(2012)] tal que la raiz del nodo ˆF C H I enlazada con ˆN 225, ˆF T S E , ˆGSPC , ˆGDAXI y ˆSSEC
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Tree 1
^FTSE
t,0.78 ^SSEC
SBB7,0.13 ^GDAXI
t,0.82 ^FCHI
BB7,0.19
SBB7,0.51
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Tree 2
^FCHI,^GSPC
^FCHI,^GDAXI
^FCHI,^FTSE I,0
^FCHI,^N225 I,0
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Tree 3
^N225,^SSEC|^FCHI
^N225,^GDAXI|^FCHI I,0
^N225,^FTSE|^FCHI I,0
^N225,^GSPC|^FCHI
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Tree 4
^FTSE,^GSPC|^FCHI,^N225
^FTSE,^SSEC|^FCHI,^N225
^FTSE,^GDAXI|^FCHI,^N225
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Tree 5
^GSPC,^SSEC|^FCHI,^N225,^FTSE
^GSPC,^GDAXI|^FCHI,^N225,^FTSE
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Reference I Aas, C. C. A. F. H. B., K. (2009). Pair-copula constructions of multiple dependence. Insurance, Mathematics and Economics 44, 182–198. . Bedford, R. M. C., T. (2001a). Probability density decomposition for conditionally dependent random variables modeled by vines. Annals of Mathematics and Artificial Intelligence 32, 245–268. . Bedford, R. M. C., T. (2001b). Vines - a new graphical model for dependent random variables. Annals of Statistics 30(4), 1031–1068. .
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Reference II Clarke, K. (2007). A simple distribution-free test for nonnested model selection. Political Analysis (15), 347–363. Czado C, M. A., Schepsmeier U (2012). Maximum likelihood estimation of mixed c-vines with application to exchange rates. Statistical Modelling 12(3), 229–255. Frees, E. (2010). multivariate regression using copulas. University of Wisconsin .
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Reference III Haff, K. F. A., I. Aasa (2010). on the simplified pair-copula construction simply useful or too simplistic? Journal of Multivariate Analysis 101(5), 1296 – 1310. . Joe, H. (1996). families of m-variate distributions with given margins and m(m-1)/2 bivariate dependence parameters. Distributions with Fixed Marginals and Related Topics. . Koller, F. N., D. (2009). Probabilistic Graphical Models: Principles and Techniques (Adaptive Computation and Machine Learning Serie). The MIT press.
Planteamiento del problema Metodolog´ıa DDrawable -Vine RRegular -Vine Bibliograf´ıa
Reference IV Kramer, U., N. Schepsmeier (2011). introduction to vine copulas. NIPS Workshop . Parsa, S., R. Klugman (2012). copula regression. Casualty actuarial society . Sto¨ber, A. (2013). Regular vine copulas with the simplifying assumption, time-variation, and mixed discrete and continuous margins . Ph.D. thesis, Technische Universit¨at Mu ¨nchen.