Pair Copula Constructions for Multivariate Discrete Data
多元离散数据的成对 Copula 构造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：摘要核心是一般多元离散依赖建模，纵向数据仅为应用示例，未明确对应离散选择或其他所列细分。
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…
多元离散数据的成对 Copula 构造
- 研究问题
- 如何为多元离散响应建立灵活的依赖模型，同时控制高维似然计算负担，并支持边际推断和最大似然估计？
- 方法与思路
- 作者使用成对 Copula 构造建立多元离散模型，推导离散分布可作此类分解的条件，并考察两类参数估计方法。
- 材料陈述的贡献
- 摘要称，该构造具有灵活依赖结构，似然计算负担随维度呈二次增长；模拟和头痛严重程度纵向数据展示了估计表现。
- 阅读关注点
- 应核对离散分布分解的具体条件、条件依赖结构的限制、计算复杂度的口径，以及边际推断和最大似然的比较设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；分解条件和估计表现的具体数值未提供，不能据此认定普遍优越。
原文摘要
Multivariate discrete response data can be found in diverse fields, including econometrics, finance, biometrics, and psychometrics. Our contribution, through this study, is to introduce a new class of models for multivariate discrete data based on pair copula constructions (PCCs) that has two major advantages. First, by deriving the conditions under which any multivariate discrete distribution can be decomposed as a PCC, we show that discrete PCCs attain highly flexible dependence structures. Second, the computational burden of evaluating the likelihood for an m-dimensional discrete PCC only grows quadratically with m. This compares favorably to existing models for which computing the likelihood either requires the evaluation of 2 m terms or slow numerical integration methods. We demonstrate the high quality of inference function for margins and maximum likelihood estimates, both under a simulated setting and for an application to a longitudinal discrete dataset on headache severity. This article has online supplementary material.