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...
»