Resumen

Se ha investigado en la literatura la identificación de dependencias ocultas entre variables utilizando modelos de cópulas de mezcla-viña. Estos modelos proporcionan una considerable flexibilidad para modelar datos multivariados. A medida que aumentan las dimensiones, el número de parámetros del modelo que necesitan ser estimados se incrementa drásticamente, lo que conlleva tiempos y esfuerzos computacionales masivos. Esta situación se vuelve aún más compleja y complicada en los modelos de mezcla de cópulas de viña regulares. La incorporación del método de truncamiento con una mezcla de modelos de viña regulares reducirá la dificultad computacional de los modelos basados en mezclas. En este artículo, se combina el modelo de mezcla de estimación árbol por árbol con el método de truncamiento para reducir el tiempo computacional y el número de parámetros que necesitan ser estimados en los modelos de cópulas de mezcla-viña. Un estudio de simulación y aplicaciones de datos reales ilustraron el rendimiento del método. Además, las aplicaciones de datos reales

• Materias:Anillos Modelos dinámicos Teoría de grupos Variedades de curvas Ecuación diferencial
• Subjects:Rings Dynamic models Group theory Varieties of curves Differential Equation
• Palabras claves:Investigado; Modelos de copula de mezcla-vino; Datos multivariados; Tiempo computacional; Método de truncamiento; Estudio de simulación
• Keywords:Investigated; Mixture-vine copula models; Multivariate data; Computational time; Truncation method; Simulation study