Non-parametric Clustering of Multivariate Populations with Arbitrary Sizes
任意样本规模多变量总体的非参数聚类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：摘要明确说明方法可用于面板数据，并包含金融数据面板应用。
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…
任意样本规模多变量总体的非参数聚类
- 研究问题
- 如何依据多变量总体的依赖结构，将不同样本规模的多个总体自动分组，并将该方法用于配对总体及面板数据？
- 方法与思路
- 作者比较各总体密度 copula 的正交投影系数，利用检验统计量自动构造聚类，使同组总体具有统计上相似的依赖结构。
- 材料陈述的贡献
- 摘要提出由数据和检验渐近水平驱动的聚类程序，并用数值研究、金融面板和保险损失数据示例展示应用，未提供具体性能数值。
- 阅读关注点
- 应核对样本规模不等及配对依赖的处理、copula 密度估计条件，并检查多次检验与聚类误差，以及相似性判定的统计含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核验；摘要未说明一致性或误差控制，统计上的相似判定不能直接证明依赖结构相同。
原文摘要
We propose a clustering procedure to group K populations into subgroups with the same dependence structure. The method is adapted to paired population and can be used with panel data. It relies on the differences between orthogonal projection coefficients of the K density copulas estimated from the K populations. Each cluster is then constituted by populations having significantly similar dependence structures. A recent test statistic from Ngounou-Bakam and Pommeret (2022) is used to construct automatically such clusters. The procedure is data driven and depends on the asymptotic level of the test. We illustrate our clustering algorithm via numerical studies and through two real datasets: a panel of financial datasets and insurance dataset of losses and allocated loss adjustment expense.