Wiley series in probability and statistics· 2018
Çok Değişkenli Veri Analizi
Multivariate Data Analysis
- 3.552atıf
- 2018yıl
Kısa özet
Kopula modelleri, çok değişkenli veri analizini tek değişkenli ve çok değişkenli bileşenlere ayırmaya olanak tanır; kuyruk bağımlılık katsayıları yüksek volatilite dönemlerinde artan bağımlılığı yakalar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Kopula modelleri, çok değişkenli veri analizini tek değişkenli ve çok değişkenli bileşenlere ayırmayı kolaylaştırır.
- Kuyruk bağımlılık katsayıları, varlık getirilerinin bağımlılığının yüksek volatilite dönemlerinde daha büyük olup olmadığını ölçebilir.
- Çok değişkenli grafik araçları arasında saçılım grafikleri, çok boyutlu ölçekleme ve diğer boyut azaltma yöntemleri bulunur.
- Bölüm, çok değişkenli normal, öğrenci ve eliptik dağılımlar gibi çok değişkenli parametrik dağılımları ve Gaussian ve öğrenci kopulaları gibi parametrik kopula ailelerini tanımlar ve örnekler sunar.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Copula models are a convenient way to separate multivariate data analysis to the purely univariate and to the purely multivariate components. Multivariate data can be described using such statistics as linear correlation, Spearman's rank correlation, and Kendall's rank correlation. Linear correlation is used in the Markowitz portfolio selection. Rank correlations are more natural concepts to describe dependence. Coefficients of tail dependence can capture whether the dependence of asset returns is larger during the periods of high volatility. This chapter studies measures of dependence and considers multivariate graphical tools. Multivariate graphical tools include scatter plots, which can be combined with multidimensional scaling and other dimension reduction methods. The chapter defines multivariate parametric distributions such as multivariate normal, multivariate Student, and elliptical distributions. It provides examples of multivariate parametric models. The examples include Gaussian and Student distributions. The chapter also provides examples of parametric families of copulas. The examples include the Gaussian copulas and the Student copulas.
Yazarların özeti; kaynağından alınmıştır. Wiley series in probability and statistics, 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: İstatistik ve Olasılık
Statistics and ProbabilityMathematics