Home  About us  Contact
 

Dependence Function (dependence + function)

Distribution by Scientific Domains
Mathematics and Statistics100%

Selected Abstracts

Projection estimators of Pickands dependence functions

THE CANADIAN JOURNAL OF STATISTICS, Issue 3 2008
Amélie Fils-Villetard
Abstract The authors consider the construction of intrinsic estimators for the Pickands dependence function of an extreme-value copula. They show how an arbitrary initial estimator can be modified to satisfy the required shape constraints. Their solution consists in projecting this estimator in the space of Pickands functions, which forms a closed and convex subset of a Hilbert space. As the solution is not explicit, they replace this functional parameter space by a sieve of finite-dimensional subsets. They establish the asymptotic distribution of the projection estimator and its finite-dimensional approximations, from which they conclude that the projected estimator is at least as efficient as the initial one. Estimation par projection de la fonction de dépendance de Pickands Les auteurs s'intéressent à la construction d'estimateurs intrinsèques de la fonction de dépendance de Pickands d'une copule des valeurs extrêmes. Ils montrent comment un estimateur initial quelconque peut être modifié pour satisfaire les contraintes de forme voulues. Leur solution consiste à projeter cet estimateur dans l'espace des fonctions de Pickands, qui forme un sous-ensemble convexe fermé d'un espace de Hilbert. Comme la solution n'est pas explicite, ils remplacent cet espace paramétrique fonctionnel par une succession d'approximations de dimension finie. Ils établissent la distribution asymptotique de la projection de l'estimateur et de ses approximations de dimension finie, ce qui leur permet de conclure que l'estimateur projeté est au moins aussi efficace que l'estimateur initial. [source]

A bayesian estimator for the dependence function of a bivariate extreme-value distribution

THE CANADIAN JOURNAL OF STATISTICS, Issue 3 2008
Simon Guillotte
Abstract Any continuous bivariate distribution can be expressed in terms of its margins and a unique copula. In the case of extreme-value distributions, the copula is characterized by a dependence function while each margin depends on three parameters. The authors propose a Bayesian approach for the simultaneous estimation of the dependence function and the parameters defining the margins. They describe a nonparametric model for the dependence function and a reversible jump Markov chain Monte Carlo algorithm for the computation of the Bayesian estimator. They show through simulations that their estimator has a smaller mean integrated squared error than classical nonparametric estimators, especially in small samples. They illustrate their approach on a hydrological data set. Un estimateur bayésien de la fonction de dépendance d'une loi des valeurs extrêmes bivariée Toute loi bivariée continue peut s'écrire en fonction de ses marges et d'une copule unique. Dans le cas des lois des valeurs extrêmes, la copule est caractérisée par une fonction de dépendance tandis que chaque marge dépend de trois paramètres. Les auteurs proposent une approche bayésienne pour l'estimation simultanée de la fonction de dépendance et des paramètres définissant les marges. Ils décrivent un modèle non paramétrique pour la fonction de dépendance et un algorithme MCMC à sauts réversibles pour le calcul de l'estimateur bayésien. Ils montrent par simulation que l'erreur quadratique moyenne intégrée de leur estimateur est plus faible que celle des estimateurs classiques, surtout dans de petits échantillons. Ils illustrent leur propos à l'aide de données hydrologiques. [source]

Projection estimators of Pickands dependence functions

THE CANADIAN JOURNAL OF STATISTICS, Issue 3 2008
Amélie Fils-Villetard
Abstract The authors consider the construction of intrinsic estimators for the Pickands dependence function of an extreme-value copula. They show how an arbitrary initial estimator can be modified to satisfy the required shape constraints. Their solution consists in projecting this estimator in the space of Pickands functions, which forms a closed and convex subset of a Hilbert space. As the solution is not explicit, they replace this functional parameter space by a sieve of finite-dimensional subsets. They establish the asymptotic distribution of the projection estimator and its finite-dimensional approximations, from which they conclude that the projected estimator is at least as efficient as the initial one. Estimation par projection de la fonction de dépendance de Pickands Les auteurs s'intéressent à la construction d'estimateurs intrinsèques de la fonction de dépendance de Pickands d'une copule des valeurs extrêmes. Ils montrent comment un estimateur initial quelconque peut être modifié pour satisfaire les contraintes de forme voulues. Leur solution consiste à projeter cet estimateur dans l'espace des fonctions de Pickands, qui forme un sous-ensemble convexe fermé d'un espace de Hilbert. Comme la solution n'est pas explicite, ils remplacent cet espace paramétrique fonctionnel par une succession d'approximations de dimension finie. Ils établissent la distribution asymptotique de la projection de l'estimateur et de ses approximations de dimension finie, ce qui leur permet de conclure que l'estimateur projeté est au moins aussi efficace que l'estimateur initial. [source]

A Copula Approach for Detecting Prognostic Genes Associated With Survival Outcome in Microarray Studies

BIOMETRICS, Issue 4 2007
Kouros Owzar
Summary A challenging and crucial issue in clinical studies in cancer involving gene microarray experiments is the discovery, among a large number of genes, of a relatively small panel of genes whose elements are associated with a relevant clinical outcome variable such as time-to-death or time-to-recurrence of disease. A semiparametric approach, using dependence functions known as copulas, is considered to quantify and estimate the pairwise association between the outcome and each gene expression. These time-to-event type endpoints are typically subject to censoring as not all events are realized at the time of the analysis. Furthermore, given that the total number of genes is typically large, it is imperative to control a relevant error rate in any gene discovery procedure. The proposed method addresses the two aforementioned issues by direct incorporation of the censoring mechanism and by appropriate statistical adjustment for multiplicity. The performance of the proposed method is studied through simulation and illustrated with an application using a case study in lung cancer. [source]