Zum Inhalt

Erweiterte Suche

Ergebnisvorschau für Ihre aktuellen Suchbegriffe: 0

Suchoperatoren:

Sie können Operatoren mit Ihrer Suchanfrage kombinieren, um diese noch präziser einzugrenzen. Klicken Sie auf den Suchoperator, um eine Erklärung seiner Funktionsweise anzuzeigen.
Findet Dokumente mit genau dieser Wortgruppe in exakt dieser Schreibweise und Reihenfolge (z.B. "employer branding").
Findet Dokumente, in denen beide Begriffe zusammen vorkommen (z.B. vertrieb UND bonus).
Findet Dokumente, in denen einer der beiden oder beide Begriffe vorkommen (z.B. porsche OR volkswagen).
Findet Dokumente, in denen alle Begriffe vorkommen. Das Leerzeichen wird als UND interpretiert (z.B. mensch roboter alltag).
Findet Dokumente, in denen der Begriff nach NOT nicht vorkommt (z.B. ford NOT "harrison ford").
Findet Dokumente, in denen der gesuchte Begriff mehr als n mal vorkommt. n steht für eine beliebige Anzahl (z.B. COUNT(getriebe)>8).
Findet Dokumente, in denen beide Begriffe in beliebiger Reihenfolge innerhalb von maximal n Worten zueinander stehen. Empfehlung: Wählen Sie zwischen 15 und 30 als maximale Wortanzahl (z.B. NEAR(hybrid, antrieb, 20)).
Findet Dokumente, in denen der Begriff in Wortvarianten vorkommt, wobei diese VOR, HINTER oder VOR und HINTER dem Suchbegriff anschließen können (z.B., leichtbau*, *leichtbau, *leichtbau*).
Findet Dokumente mit dem Suchbegriff in verschiedenen Schreibweisen. Das ? steht für eine einzige Stelle (z.B. organi?ation).
Sonderzeichen werden als UND interpretiert (z.B. Mann + Hummel).

Semantische Suche

powered by (Link öffnet in neuem Fenster)
loading …
Anmelden
Nach oben

Elements of Copula Modeling with R

  • 2018
  • Buch
Verfasst von
Marius Hofert
Ivan Kojadinovic
Martin Mächler
Jun Yan
Buchreihe
Use R!
Verlag
Springer International Publishing
Enthalten in
Springer Professional "Wirtschaft+Technik"
Springer Professional "Technik"
Springer Professional "Wirtschaft"
insite
SUCHEN

Über dieses Buch

This book introduces the main theoretical findings related to copulas and shows how statistical modeling of multivariate continuous distributions using copulas can be carried out in the R statistical environment with the package copula (among others).

Copulas are multivariate distribution functions with standard uniform univariate margins. They are increasingly applied to modeling dependence among random variables in fields such as risk management, actuarial science, insurance, finance, engineering, hydrology, climatology, and meteorology, to name a few.

In the spirit of the Use R! series, each chapter combines key theoretical definitions or results with illustrations in R. Aimed at statisticians, actuaries, risk managers, engineers and environmental scientists wanting to learn about the theory and practice of copula modeling using R without an overwhelming amount of mathematics, the book can also be used for teaching a course on copula modeling.

Inhaltsverzeichnis

  1. Frontmatter

  2. Chapter 1. Introduction

    Marius Hofert, Ivan Kojadinovic, Martin Mächler, Jun Yan
    Abstract
    Assume that one is given the two bivariate data sets displayed in Fig. 1.1 and asked to compare them in terms of the “dependence” between the two underlying variables. The first (respectively, second) data set, denoted by (x i1, x i2), i ∈{1, …, n} (respectively, (y i1, y i2), i ∈{1, …, n}), is assumed to consist of n = 1000 independent observations (that is, a realization of independent copies) of a bivariate random vector (X 1, X 2) (respectively, (Y 1, Y 2)). Roughly speaking, comparing the two data sets in terms of dependence means comparing the way X 1 and X 2 are related with the way Y 1 and Y 2 are related.

  3. Chapter 2. Copulas

    Marius Hofert, Ivan Kojadinovic, Martin Mächler, Jun Yan
    Abstract
    This chapter offers a basic introduction to copulas and presents their main properties along with the most important theoretical results such as the Fréchet-Hoeffding bounds, Sklar’s Theorem, and the invariance principle.

  4. Chapter 3. Classes and Families

    Marius Hofert, Ivan Kojadinovic, Martin Mächler, Jun Yan
    Abstract
    This chapter introduces the main copula classes and the corresponding sampling procedures, along with some copula transformations that are important for practical purposes.

  5. Chapter 4. Estimation

    Marius Hofert, Ivan Kojadinovic, Martin Mächler, Jun Yan
    Abstract
    This chapter addresses the estimation of copulas from a parametric, semi-parametric, and nonparametric perspective.

  6. Chapter 5. Graphical Diagnostics, Tests, and Model Selection

    Marius Hofert, Ivan Kojadinovic, Martin Mächler, Jun Yan
    Abstract
    This chapter presents graphical diagnostics and statistical tests, and discusses model selection for copulas.

  7. Chapter 6. Ties, Time Series, and Regression

    Marius Hofert, Ivan Kojadinovic, Martin Mächler, Jun Yan
    Abstract
    This chapter is concerned with more advanced topics in copula modeling such as the handling of ties, time series, and covariates (in a regression-like setting).

  8. Backmatter

Titel
Elements of Copula Modeling with R
Verfasst von
Marius Hofert
Ivan Kojadinovic
Martin Mächler
Jun Yan
Copyright-Jahr
2018
Electronic ISBN
978-3-319-89635-9
Print ISBN
978-3-319-89634-2
DOI
https://doi.org/10.1007/978-3-319-89635-9

Informationen zur Barrierefreiheit für dieses Buch folgen in Kürze. Wir arbeiten daran, sie so schnell wie möglich verfügbar zu machen. Vielen Dank für Ihre Geduld.