[论文解读] Likelihood inference for Archimedean copulas

Marius Hofert, Martin Mächler+1 more|arXiv (Cornell University)|Aug 30, 2011

Financial Risk and Volatility Modeling参考文献 31被引用 3

一句话总结

本文推导出知名阿基米德Copula的生成器导数的显式函数形式，使得即使在高维（高达 d=100）情况下也能实现精确且高效的最大似然估计。主要贡献在于在 nacopula R 包中实现了数值稳定、开源的实现，其均方根误差随维度增加而减小，从而支持基于似然的置信区间和多参数估计。

ABSTRACT

Explicit functional forms for the generator derivatives of well-known one-parameter Archimedean copulas are derived. These derivatives are essential for likelihood inference as they appear in the copula density, conditional distribution functions, or the Kendall distribution function. They are also required for several asymmetric extensions of Archimedean copulas such as Khoudraji-transformed Archimedean copulas. Access to the generator derivatives makes maximum-likelihood estimation for Archimedean copulas feasible in terms of both precision and run time, even in large dimensions. It is shown by simulation that the root mean squared error is decreasing in the dimension. This decrease is of the same order as the decrease in sample size. Furthermore, confidence intervals for the parameter vector are derived. Moreover, extensions to multi-parameter Archimedean families are given. All presented methods are implemented in the open-source R package nacopula and can thus easily be accessed and studied.

研究动机与目标

• 为解决在高维情况下推导和评估阿基米德Copula生成器导数的计算挑战。
• 通过提供所需导数的闭式表达式，实现阿基米德Copula的精确且高效的最大似然估计（MLE）。
• 将最大似然估计扩展至多参数阿基米德族，包括初始区间选择策略与置信区间构建方法。
• 证明均方根误差（RMSE）随维度增加而减小，且其减小程度与样本量减少的尺度相似。
• 在 R 包 nacopula 中提供透明、开源的实现，以确保可复现性与实际应用。

提出的方法

• 推导出标准阿基米德族（如 Gumbel、Clayton、GIG）生成器导数的显式、非递归函数形式，这对Copula密度和分布函数至关重要。
• 使用导数的解析表达式计算Copula密度、条件分布和Kendall分布函数，无需依赖符号计算系统。
• 对似然最大化采用数值优化方法，并构建精心设计的初始区间，尤其适用于 GIG Copula 等多参数族。
• 采用两阶段算法，基于估计的 Kendall 秩相关系数确定初始参数矩形，确保在高维设置下的收敛性。
• 构建基于似然的参数向量置信区间，并与 Fisher 信息法构造的区间对比，适用于 Clayton 家族。
• 所有算法均在开源 R 包 nacopula 中实现，确保研究的可复现性与可及性。

实验结果

研究问题

• RQ1 能否为任意维度下的知名阿基米德Copula推导出显式且数值稳定的生成器导数表达式？
• RQ2 阿基米德Copula的最大似然估计在高维（d ≥ 10）下是否仍保持精确且计算可行？
• RQ3 参数估计的均方根误差（RMSE）如何随维度和样本量的增加而变化？
• RQ4 能否为多参数阿基米德族中的似然优化构建可靠的初始区间？
• RQ5 基于似然的置信区间在覆盖性和准确性方面是否与基于信息的区间相当？

主要发现

• 参数估计的均方根误差（RMSE）随维度 d 增加而减小，且其减小程度与样本量 n 的减少程度同阶，即 RMSE ∝ 1/√(nd)。
• 阿基米德Copula的最大似然估计在高达 d=100 的高维情况下依然精确且计算高效，此前工作已证明并在此得到验证。
• 对于 GIG Copula 家族，当 Kendall 秩相关系数较低（弱一致性）且 ν 较小时，需更大的样本量才能实现低偏差。
• 通过基于估计 Kendall 秩相关系数的算法，可可靠地为多参数族（如 GIG）构建初始区间，确保优化过程收敛。
• 基于似然的参数向量置信区间是可行的，且与 Fisher 信息法构造的区间相当，尤其在 Clayton 家族中，后者具有解析可处理性。
• 所有方法均已在开源 R 包 nacopula 中实现并公开，支持研究者的完全可复现与实际应用。