We propose a new multivariate statistical model that permits non-Gaussian distributions as well as the inclusion of conditional independence assumptions specified by a directed acyclic graph. This combination of features is achieved by using pair-copula constructions. We provide routines for random sampling and likelihood inference, and investigate model selection. Structure estimation is facilitated using a version of the PC algorithm that is based on a novel test for conditional independence.
Übersetzte Kurzfassung:
Wir schlagen ein multivariates statistisches Modell vor, welches die Anpassung nichtgaußscher Verteilungen mit durch einen azyklischen Digraphen gegebenen bedingten Unabhängigkeiten erlaubt. Die Grundlage dafür liefern Pair-Copula-Konstruktionen. Wir beschreiben Verfahren zur Erzeugung von Zufallszahlen und zur ML-Schätzung, und untersuchen Modellwahlstrategien. Die Schätzung des Graphen erfolgt durch eine Variante des PC-Algorithmus mit einem neu entwickelten Test auf bedingte Unabhängigkeit.