Nichtparametrische Schätzer von multivariaten Funktionen konvergieren für gewöhnlich langsamer, wenn die Anzahl der Variablen zunimmt. Wir zeigen, dass man diesem Fluch der Dimensionen entkommen kann, indem man ein vereinfachtes Vine-Copula Modell für die Abhängigkeit zwischen den Variablen annimmt, und untersuchen darauf basierende Schätzmethoden in einer Simulationsstudie. Im Anschluss wird die Anwendbarkeit dieser Eigenschaft in zweierlei Hinsicht erweitert: Wir zeigen, wie man allgemeine Regressionsprobleme mit copula-basierten Schätzungsgleichungen lösen kann, und diskutieren eine generische Methode, um nichtparametrische Schätzer auf Daten mit diskreten Variablen anwendbar zu machen.    «

Nichtparametrische Schätzer von multivariaten Funktionen konvergieren für gewöhnlich langsamer, wenn die Anzahl der Variablen zunimmt. Wir zeigen, dass man diesem Fluch der Dimensionen entkommen kann, indem man ein vereinfachtes Vine-Copula Modell für die Abhängigkeit zwischen den Variablen annimmt, und untersuchen darauf basierende Schätzmethoden in einer Simulationsstudie. Im Anschluss wird die Anwendbarkeit dieser Eigenschaft in zweierlei Hinsicht erweitert: Wir zeigen, wie man allgemeine R...    »