Resumen

Proponemos una cópula de alta dimensionalidad para modelar la estructura de dependencia de la regresión cuantil aparentemente no relacionada. Dado que el modelo convencional se enfrenta a la fuerte suposición de la distribución normal multivariante y la estructura de dependencia lineal, aplicamos la función de cópula multivariante intercambiable para relajar esta suposición. Dado que hay muchos parámetros por estimar, consideramos el enfoque bayesiano de Monte Carlo de cadena de Markov para estimar los parámetros de interés en el modelo. Se llevan a cabo cuatro estudios de simulación para evaluar el rendimiento de nuestro modelo propuesto y la estimación bayesiana. Se obtienen resultados satisfactorios de los estudios de simulación que sugieren el buen rendimiento y la confiabilidad del método bayesiano utilizado en nuestro modelo propuesto. También se proporciona un análisis de datos reales, y la comparación empírica indica que nuestro modelo propuesto supera a los modelos convencionales en todos los niveles de cuantil considerados.

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Modelo propuesto; Cópula; Regresión cuantil; Markov chain Monte Carlo bayesiano; Estudios de simulación; Análisis de datos reales
• Keywords:Proposed model; Copula; Quantile regression; Bayesian Markov chain Monte Carlo; Simulation studies; Real data analysis