Wahrscheinlichkeitsinferenz für Faktorkopula-Modelle mit asymmetrischer Tail-Abhängigkeit

Für multivariate nicht-gaussische Verteilungen mit Copulas wird die Wahrscheinlichkeitsinferenz von den Daten in der Mitte dominiert, und angepasste Modelle sind möglicherweise nicht sehr gut für die gemeinsame Tail-Inferenz, wie die Beurteilung der Stärke der Tail-Abhängigkeit. Wenn vorläufige Daten und die Wahrscheinlichkeitsanalyse auf asymmetrische Tail-Abhängigkeit hindeuten, wird eine Methode vorgeschlagen, um die Inferenz über Extremwerte basierend auf den gemeinsamen unteren und oberen Tails zu verbessern. Ein Prior, das frühere Informationen über die Tail-Abhängigkeit nutzt, kann in Kombination mit der Wahrscheinlichkeit verwendet werden. Mit der Kombination aus Prior und Wahrscheinlichkeit (die in der Praxis einen gewissen Grad an Fehlspezifikation aufweist), um eine geneigte Log-Wahrscheinlichkeit zu erhalten, können Inferenz mit entsprechend transformierten Parametern basierend auf Bayesian Computing-Methoden oder mit numerischer Optimierung der geneigten Log-Wahrscheinlichkeit durchgeführt werden, um den posterioren Modus und die Hessian an diesem Modus zu erhalten.