Lineare und generalisierte lineare Regressionsmodelle sind die Standardwerkzeuge in der Statistik, die die Abhängigkeit einer Zielvariablen von weiteren unabhängigen Variablen ausdrücken. In den letzten Jahren wurde ein Alternativansatz zu Regressionsmodellen zunehmend populär, der Copulas für die Beschreibung der kompletten Abhängigkeitsstruktur in multivariaten Daten verwendet. Die Habilitationsschrift umfasst die in Kooperation erstellten Fachpublikationen des Autors zu Regressionsmodellen und Copulas. Es wird asymptotische Theorie zu auf der generalisierten Poissonverteilung basierten Regressionsmodellen hergeleitet und ein neues Modellselektionsverfahren für lineare Modelle entwickelt und untersucht. Weiter wird das Schätzungs- sowie das Modellselektionsproblem für sogenannte D-Vine-Copulas mit zahlreichen Bayesianischen Ansätzen gelöst. Die Maximum-Likelihood-Schätzung von verschiedenen Vine-Copulas unter Missspezifikation wird in einer Anwendung behandelt. Dazu wird ein effizientes Verfahren für die Maximum-Likelihood-Schätzung von multivariaten Meta-t-Verteilungen hergeleitet und untersucht.     «

Lineare und generalisierte lineare Regressionsmodelle sind die Standardwerkzeuge in der Statistik, die die Abhängigkeit einer Zielvariablen von weiteren unabhängigen Variablen ausdrücken. In den letzten Jahren wurde ein Alternativansatz zu Regressionsmodellen zunehmend populär, der Copulas für die Beschreibung der kompletten Abhängigkeitsstruktur in multivariaten Daten verwendet. Die Habilitationsschrift umfasst die in Kooperation erstellten Fachpublikationen des Autors zu Regressionsmodellen un...     »