Professional Documents
Culture Documents
Metodologa
DDrawable -Vine
RRegular -Vine
Bibliografa
Metodologa
Copulas Vine
El modelo
DDrawable -Vine
RRegular -Vine
CCannico -Vine
Selecci
on del modelo
Bibliografa
Danna Lesley Cruz Reyes
variables.
Estos no se pueden modelar con distribuciones param
etricas
variables.
Estos no se pueden modelar con distribuciones param
etricas
graficos probabilsticos.
[Aas(2009)] utiliz
o esta construcci
on para determinar copulas
multivariadas como la c
opula gausiana, Gumbel y Clayton.
[Haff(2010)] y [St
ober(2013)] presentan algunos ejemplos
El n
umero de copulas que se pueden representar por medio de
en analisis de regresi
on multivariado, donde tiene la posibilidad
de proporcionar un mejor ajuste a los datos observados
[St
ober(2013)] y [Xaver(2013)] en sus tesis doctorales del a
no
Copulas Vine
Definition
Una copula bivariada (o 2-copula) es una 2-subcopula cuyo
dominio es I 2 . Equivalentemente, una copula es una funcion 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
C(1, v) = v
Copulas Vine
Teorema
Teorema de Sklar Sea F (y1 , y2 ) una funci
on de distribucion
multivariada con marginales F1 (y1 ), F2 (y2 ); entonces existe una
copula C tal que
F (y1 , y2 ) = C(F1 (y1 ), F2 (y2 ); )
donde es el parametro de la c
opula llamado parametro de
dependencia, el cual mide la dependencia entre las distribuciones
marginales. [Trivedi & Zimmer(2007)].
Nombre
Clayton
Copulas Vine
C(u1 , u2 ; )
(t)
1
(u
+ u
1)
1
2
Frank
u1 1)(eu2 1)
1 log 1 + (e
Gumbel
1
exp((
u
j = log(uj )
1 +u
2 ) ), donde u
Rango de
1 (t 1)
log
(et 1)
e 1
( log(t))
(0, )
(, )
[1, )
Cuadro: Algunas c
opulas Arquimedianas y sus generadores.
Copulas Vine
Copulas Vine
Copulas Vine
Copulas Vine
Copulas rotadas
Las copulas arquimedianas rotadas capturan dependencias
negativas: Si (U1 , U2 ) C90o entonces (1 U1 , U2 ) C0o .
Las copulas de supervivencia son c
opulas rotadas 180o
u2
0.6
u2
0.6
0.0
0.4 0.8
u1
270 degrees
0.0
0.4 0.8
u1
0.0
0.4 0.8
u1
180 degrees
0.0
0.0
0.0
u2
0.6
0.0
90 degrees
u2
0.6
0 degrees
0.0
0.4 0.8
u1
Copulas Vine
Copulas Vine
El fin es lograr representar la funci
on de densidad f (x1 , . . . , xn )
como un producto de pares de densidades de c
opulas y de
1
densidades marginales.
f (x1 , . . . , xn ) =
n1
Y n1
Y
j=1 i=1
n
Y
fk (xk )
k=1
Tomado de [Kramer(2011)]
Danna Lesley Cruz Reyes
Copulas Vine
El modelo
f (x1 , . . . , xn ) =
n1
Y
i=1 eEi
n
Y
fk (xk
k=1
DDrawable -Vine
Por ejemplo, para n = 3, se tiene el siguiente grafo:
1
12
23
13|2
12
23
DDrawable -Vine
Por ejemplo, para n = 3, se tiene el siguiente grafo:
1
12
23
13|2
12
23
DDrawable -Vine
Por ejemplo, para n = 3, se tiene el siguiente grafo:
1
12
23
13|2
12
23
RRegular -Vine
13
12
34
15
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34 (Par no condicionales)
RRegular -Vine
13
12
34
15
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34 (Par no condicionales)
RRegular -Vine
2, 3|1
12
1, 4|3
13
34
3, 5|1
15
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34
c23|1 c14|3 c35|1
Danna Lesley Cruz Reyes
RRegular -Vine
2, 3|1
12
1, 4|3
13
34
3, 5|1
15
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34
c23|1 c14|3 c35|1
Danna Lesley Cruz Reyes
RRegular -Vine
2, 3|1
24|13
1, 4|3
45|13
3, 5|1
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34
c23|1 c14|3 c35|1
c24|13 c45|13
RRegular -Vine
2, 3|1
24|13
1, 4|3
45|13
3, 5|1
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34
c23|1 c14|3 c35|1
c24|13 c45|13
2, 4|1, 3
2, 5|1, 3, 4
4, 5|1, 3
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34
c23|1 c14|3 c35|1
c24|13 c45|13
c25|134
2, 4|1, 3
2, 5|1, 3, 4
4, 5|1, 3
f (x1 , x2 , x3 ) = f5 (x5 )f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 )(marginales)
c12 c13 c14 c34
c23|1 c14|3 c35|1
c24|13 c45|13
c25|134
CCannico -Vine
3
13
14
13
2, 3|1
12
2, 4|1
12
14
3, 4|12
23|1
24|1
f (x1 , x2 , x3 , x4 )
Aristas en T1
Aristas en T1
z }| { z }| {
= f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 ) c12 c13 c14 c23|1 c23|1
|
{z
} | {z }
| {z }
Nodos en T1
Nodos en T2
Nodos en T3
Aristas en T1
z }| {
c34|12
CCannico -Vine
3
13
14
13
2, 3|1
12
2, 4|1
12
14
3, 4|12
23|1
24|1
f (x1 , x2 , x3 , x4 )
Aristas en T1
Aristas en T1
z }| { z }| {
= f4 (x4 )f3 (x3 )f2 (x2 )f1 (x1 ) c12 c13 c14 c23|1 c23|1
|
{z
} | {z }
| {z }
Nodos en T1
Nodos en T2
Nodos en T3
Aristas en T1
z }| {
c34|12
Condici
on de proximidad
Si dos nodos en el j + 1 arbol estan unidos por una arista,
la correspondiente arista en el jesimo arbol comparten un
nodo.
Modelo=Arbol+C
opula+Parametros.
1
Datos
Danna Lesley Cruz Reyes
Modelo=Arbol+C
opula+Parametros.
1
Datos
Danna Lesley Cruz Reyes
Modelo=Arbol+C
opula+Parametros.
1
Modelo=Arbol+C
opula+Parametros.
1
Modelo=Arbol+C
opula+Parametros.
Normal
Gumbel
Calyton
Modelo=Arbol+C
opula+Parametros.
Normal
Gumbel
Calyton
Modelo=Arbol+C
opula+Parametros.
1
Normal = 0
Gumbel, = 0
Calyton, = 0
Modelo=Arbol+C
opula+Parametros.
1
Normal = 0
Gumbel, = 0
Calyton, = 0
(GSP C)
El ndice Nikkei de Jap
on(N 225)
El ndice SSE de China (SSEC)
El ndice DAX de Alemania (GDAXI)
El ndice CAC20 de Francia (F CHI)
El ndice FTSE 100 de Inglaterra s (F T SE)
0.4
0.8
0.0
0.4
0.8
0.0
0.4
0.8
0.6
0.0
0.6
0.0
^GSPC
0.6
0.0
^N225
0.6
0.0
^SSEC
0.6
0.0
^GDAXI
0.6
0.0
^FCHI
0.0
^FTSE
0.0
0.4
0.8
0.0
0.4
0.8
0.0
0.4
0.8
Tree 1
^FTSE
t,0.78
^SSEC
SBB7,0.13
t,0.82
^GDAXI
^FCHI
BB7,0.19
SBB7,0.51
Danna
Lesley Cruz Reyes
^N225
Tree 2
^FCHI,^GSPC
^FCHI,^GDAXI
^FCHI,^FTSE
I,0
^FCHI,^N225
I,0
Tree 3
^N225,^SSEC|^FCHI
^N225,^GDAXI|^FCHI
I,0
^N225,^FTSE|^FCHI
I,0
^N225,^GSPC|^FCHI
Danna Lesley Cruz Reyes
Tree 4
^FTSE,^GSPC|^FCHI,^N225
^FTSE,^SSEC|^FCHI,^N225
^FTSE,^GDAXI|^FCHI,^N225
Danna Lesley Cruz Reyes
Tree 5
^GSPC,^SSEC|^FCHI,^N225,^FTSE
^GSPC,^GDAXI|^FCHI,^N225,^FTSE
Danna Lesley Cruz Reyes
Reference I
Aas, C. C. A. F. H. B., K. (2009).
Pair-copula constructions of multiple dependence.
Insurance, Mathematics and Economics 44, 182198. .
Bedford, R. M. C., T. (2001a).
Probability density decomposition for conditionally dependent
random variables modeled by vines.
Annals of Mathematics and Artificial Intelligence 32, 245268.
.
Bedford, R. M. C., T. (2001b).
Vines - a new graphical model for dependent random variables.
Annals of Statistics 30(4), 10311068. .
Danna Lesley Cruz Reyes
Reference II
Clarke, K. (2007).
A simple distribution-free test for nonnested model selection.
Political Analysis (15), 347363.
Czado C, M. A., Schepsmeier U (2012).
Maximum likelihood estimation of mixed c-vines with
application to exchange rates.
Statistical Modelling 12(3), 229255.
Frees, E. (2010).
multivariate regression using copulas.
University of Wisconsin .
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.
Danna Lesley Cruz Reyes
Reference IV
Kramer, U., N. Schepsmeier (2011).
introduction to vine copulas.
NIPS Workshop .
Parsa, S., R. Klugman (2012).
copula regression.
Casualty actuarial society .
Stober, A. (2013).
Regular vine copulas with the simplifying assumption,
time-variation, and mixed discrete and continuous margins.
Ph.D. thesis, Technische Universitat M
unchen.
Reference V
Trivedi, P. & Zimmer, D. (2007).
Copula modeling: an introduction for practitioners.
Foundations and Trends in Econometrics.
Vuong, Q. (1989).
Likelihood ratio tests for model selection and non-nested
hypotheses.
Econometrica (57), 307333.
Xaver, A. (2013).
Pair-copula constructions for non-Gaussian Bayesian networks.
Ph.D. thesis, Technische Universitat M
unchen.