将粗体模型结合在一起会产生(2个独立的)。对数似然AIC BIC(1-依赖)14578.12-29010.24-28561.94(2-独立)13018.72-25993.44-25858.33(2-依赖)14618.70-29091.40-28643.09表7:所考虑的R-vine模型(1-依赖)、(2-独立)和(2-依赖)的对数似然、AIC和BIC。由P表示,具有为k,k′给定的元素∈{1,2}由Pk,k′决定∶=P(St=k′)圣-1=k),即在时间t从状态k开始的转移概率-最后,考虑两个不同的藤蔓copula模型(V,C,θ)和(V,C,θ),其中Vi,i={1,2},是各自的树结构和对应的多元连接函数,其参数存储在向量θi中。因此,我们的双区马尔可夫切换R-vine(MS-RV)模型由两个R-vine连接函数规范和描述潜在马尔可夫链的2×2转移矩阵P给出。条件copula密度由c(ut)给出(Vi,Ci,θi)i∈{1,2},St)=∑k=1{k}(St)·c(ut)(Vk,Ck,θk)),ut∈[0,1]d.(11)继St"ober和Czado(2014)之后,MS-RV copula模型的全似然函数可以通过f(u,…uT)分解为条件密度θ、 θ,P)=∑k=1f(u)S=k,θk)P(S=kP)×T∏t=2∑k=1f(ut)St=k,θk)P(St=ku1∶(t)-1) ,P) (12) u1在哪里∶T∶=(u,…,ut)对于t={1,…,t}。为了解决上述可能性最大化的问题,St"ober和Czado(2014)根据Aas等人(2009)的程序提出了以下逐步期望最大化(EM)算法:1。给定当前参数(θ1,l,θ2,l,Pl),迭代计算所谓的“平滑”概率(OhmT∣T((θ1,l,θ2,l,Pl))st∶=P(St=Stu1∶T、 (θ1,l,θ2,l,Pl)),st∈{1,2},(13)通过汉密尔顿滤波器(详见汉密尔顿(1989)和斯特伯与查多(2014))。最大化伪对数似然函数Q((θ1,l+1,θ2,l+1,Pl+1);u1∶T、 (θ1,l,θ2,l,Pl))∶=∑s=1。
|