Vector Vine Copula Models for Multivariate Longitudinal Data
多变量纵向数据的向量藤 Copula 模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究多期个体纵向数据，并应用于八期澳大利亚个体面板的联合分布预测。
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…
关注这篇论文的作者
多变量纵向数据的向量藤 Copula 模型
- 研究问题
- 多变量纵向数据存在非高斯边际、非线性动态，且各期响应变量构成可能变化时，如何联合刻画期内分布与跨期依赖？
- 方法与思路
- 作者将可绘制藤 Copula 的标量节点扩展为向量节点，以链接向量 Copula 描述序列依赖，并结合递归条件变换和贝叶斯变分推断。
- 材料陈述的贡献
- 摘要称建立向量 Copula 性质及标量退化结果，支持似然计算和预测模拟；澳大利亚面板中完整模型在所比较模型间分布预测最佳。
- 阅读关注点
- 应核对变量构成变化时的联合分布定义、条件变换算法、马尔可夫及平稳限制，以及交叉验证设置与变分近似带来的误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出全部比较模型和预测指标，所述优势限于给定模拟与应用。
原文摘要
Multivariate longitudinal data may exhibit non-Gaussian margins, nonlinear dynamics, and response vectors with composition that varies across waves. To account for these features, we introduce a vector drawable vine (VD-vine) copula that extends conventional drawable vine copulas from scalar to vector-valued nodes. Here, the response vector at each wave forms a multivariate marginal, and serial dependence is captured through a sequence of linking vector copulas. We establish that the VD-vine is itself a vector copula and reduces to a conventional drawable vine for scalar nodes. Recursive forward and backward conditional transports are derived that enable efficient likelihood evaluation and predictive simulation, with parsimonious reductions under finite-order Markov and stationary restrictions. Unconstrained parameterizations for Gaussian and FGM linking vector copulas, flexible multivariate marginals, and Bayesian variational inference provide a practical implementation. Simulations show improved predictive accuracy when the marginals are asymmetric and serial dependence is multivariate, with little loss under a correctly specified Gaussian panel vector autoregression. In an eight-wave Australian panel of 1,093 individuals with varying response vectors, the full VD-vine delivers the best cross-validated distributional forecasts among the models considered, establishing the benefit of capturing asymmetry and nonlinear dependence.