Mixed Marginal Copula Modeling
混合边际分布的 Copula 建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要讨论混合边际的通用依赖建模与贝叶斯估计，收入动态示例不足以明确对应所列任何细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
混合边际分布的 Copula 建模
- 研究问题
- 当多变量模型的部分边际同时含离散与连续成分时，如何严谨定义联合似然并估计依赖结构，以及用于多变量收入动态建模？
- 方法与思路
- 作者以混合测度下的观测密度定义似然，重点研究 Gaussian 与 Archimedean copula 的混合，并采用贝叶斯推断及 MCMC 估计。
- 材料陈述的贡献
- 摘要称，该框架将离散或连续边际的 copula 文献扩展至混合边际情形，并通过多变量收入动态模型展示方法与算法的应用。
- 阅读关注点
- 应核对离散点质量与连续密度如何进入似然、copula 混合的设定、贝叶斯先验与 MCMC 实现，以及收入动态模型的具体结构。
- 阅读边界
- 摘要未说明识别条件、先验、算法收敛或应用结果；仅凭收入动态示例不能判断方法在其他混合边际场景中的适用性及估计表现。
原文摘要
This article extends the literature on copulas with discrete or continuous marginals to the case where some of the marginals are a mixture of discrete and continuous components. We do so by carefully defining the likelihood as the density of the observations with respect to a mixed measure. The treatment is quite general, although we focus on mixtures of Gaussian and Archimedean copulas. The inference is Bayesian with the estimation carried out by Markov chain Monte Carlo. We illustrate the methodology and algorithms by applying them to estimate a multivariate income dynamics model. Supplementary materials for this article are available online.