تقدير كثافة الرابطة باستعمال التحويل المويجي
محتوى المقالة الرئيسي
الملخص
يقترح هذا البحث طريقة جديدة لتقدير دالة كثافة الرابطة باستخدام تحليل المويجات كطريقة لامعلمية، من أجل الحصول على نتائج أكثر دقة وخالية من مشكلة تاثيرات الحدود التي تعاني منها طرائق التقدير اللامعلمية. اذ تعد طريقة المويجات طريقة اوتماتيكية للتعامل مع تاثيرات الحدود وذلك لانها لا تأخذ بنظر الاعتبار إذا كانت السلسلة الزمنية مستقرة او غير مستقرة. ولتقدير دالة كثافة الرابطة تم استعمال المحاكاة لتوليد البيانات وباستعمال خمسة دوال رابطة مختلفة مثل Gaussian وFrank وTawn وRotation Tawn وJoe وبخمسة أحجام مختلفة للعينات عند ثلاثة مستويات ارتباط موجبة، واعتمادًا على الحلول المتعددة، أظهرت النتائج أن تقدير دالة الكثافة الرابطة بطريقة المويجات عندما يكون مستوى الارتباط كانت الرابطة Gaussian في المرتبة الأولى تليها الرابطةFrank واحتلت الرابطة Joe المرتبة الأخيرة. اما في حالة الارتباطات المتوسطة والضعيفة كانت الرابطة Tawn في المرتبة الأولى تليها الرابطة Rotation Tawn في حين جاءت Gaussian بالمرتبة الأخيرة. بالاعتماد على المعايير (Root Mean Square Error, Akiake Information Criteria, and Logarithm likelihood criteria) ، وتبين من خلال الرسم (Contour plot) والشكل ثلاثي الابعاد (3D plot) لدوال الرابطة الحقيقية. فضلا عن اشكال التمهيد لكل منها باستخدام طريقة (ECDWT)، ويتضح من خلال الاشكال الدائرية ان توزيع مشاهدات الدالة الرابطة المقدرة بطريقة (ECDWT) كان دقيقا عند الاطراف بينما كان اقل دقة عند المركز لكل من الدوال Gaussian وTawn.
Received 25/09/2023
Revised 17/01/2024
Accepted 19/01/2024
Published Online First 20/04/2024
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Ansari J, Rüschendorf L. Sklar’s theorem, copula products, and ordering results in factor models. Depend Model. 2021 Oct 18; 9(1): 267-306. https://doi.org/10.1515/demo-2021-0113
Joe H. Multivariate Models and Multivariate Dependence Concepts. 1st edition. New York: Chapman and Hall/CRC; 1997. 424 p. https://doi.org/10.1201/9780367803896
Nelsen RB. An Introduction to Copulas. 2nd edition. New York: Springer; 2006. XIV, 272 p. https://doi.org/10.1007/0-387-28678-0
Zhang L, Singh VP. Copulas and their Applications in Water Resources Engineering. Cambridge, UK: Cambridge University Press; 2019. https://doi.org/10.1017/9781108565103
Chen L, Guo S. Copulas and Its Application in Hydrology and Water Resources. Singapore: Springer Nature; 2019. X, 290 p. https://doi.org/10.1007/978-981-13-0574-0
Herwartz H, Maxand S. Nonparametric tests for independence: a review and comparative simulation study with an application to malnutrition data in India. Stat Pap. 2020 Oct; 61: 2175-201. https://doi.org/10.1007/s00362-018-1026-9
Mohammadi M, Amini M, Emadi M. A Simulation Study of Semiparametric Estimation in Copula Models Based on Minimum Alpha-Divergence. Stat Optim Inf Comput. 2020; 8(4): 834-845. https://doi.org/10.48550/arXiv.2009.05247
Hmood MY, Hamza ZF. On the Estimation of Nonparametric Copula Density Functions. IJSSST. 2019; 20(2): 1-10. http://doi.org/10.5013/IJSSST.a.20.02.07
Jawad LB, Abdullah LT. Wavelet analysis of sunspot series. J Econ Finance Adm Sci. 2007; 13(45): 273-87. https://doi.org/10.33095/jeas.v13i45.1138
Genest C, Masiello E, Tribouley K. Estimating Copula Densities Through Wavelets. Insurance: Math Econ. 2009 Apr 1; 44(2): 170-181. https://doi.org/10.1016/j.insmatheco.2008.07.006
Ghanbari B, Yarmohammadi M, Hosseinioun N, Shirazi E. Wavelet estimation of copula function based on censored data. J Inequal Appl . 2019; 2019(1): 1-15. https://doi.org/10.1186/s13660-019-2140-5
Mohammed AT. Nonparametric estimation of hazard function by using wavelet transformation. phD Thesis. University of Baghdad; 2019.
AlDoori EA, Mhomod E. Hazard Rate Estimation Using Varying Kernel Function for Censored Data Type I, Baghdad Sci. J. 2019 Sep. 23; 16(3(Suppl.)): 0793. https://doi.org/10.21123/bsj.2019.16.3(Suppl.).0793
Ahmed LA, Mohammed M. A Proposed Wavelet and Forecasting Wind Speed with Application. Ibn al-Haitham J. Pure Appl Sci. 2023; 36(2): 420-9. https://doi.org/10.30526/36.2.3060
Ouda EH, Ibraheem SF, Shihab SN. Boubaker Wavelets Functions: Properties and Applications. Baghdad Sci J. 2021; 18(4): 1226-1233. http://dx.doi.org/10.21123/bsj.2021.18.4.1226
Abdourahamane ZS, Acar R, Serkan Ş. Wavelet–copula‐based mutual information for rainfall forecasting applications. Hydrol Process. 2019; 33(7): 1127-1142. https://doi.org/10.1002/hyp.13391
Hmood MY, Hassan YA. Estimate the Partial Linear Model Using Wavelet and Kernel Smoothers. J Econ Finance Adm Sci. 2020; 26(119): 428–443. https://doi.org/10.33095/jeas.v26i119.1892
Labat D. Recent advances in wavelet analyses: Part 1. A review of concepts. J Hydrol. 2005 Nov 25; 314(1-4): 275-288. https://doi.org/10.1016/j.jhydrol.2005.04.003
Labat D, Ronchail J, Guyot JL. Recent advances in wavelet analyses: Part 2—Amazon, Parana, Orinoco and Congo discharges time scale variability. J Hydrol. 2005 Nov 25; 314(1-4): 289-311. https://doi.org/10.1016/j.jhydrol.2005.04.004
Chui CK. An introduction to wavelets. 1st edition. United States: Academic press; 1992 Jan 1. 278 p.
Allaoui S, Bouzebda S, Liu J. Multivariate wavelet estimators for weakly dependent processes: strong consistency rate. Commun. Stat. Theory Methods. 2023; 52(23): 8317-8350. https://doi.org/10.1080/03610926.2022.2061715
Hmood MY, Hibatallah A. Continuous wavelet estimation for multivariate fractional Brownian motion. Pakistan J Stat Oper Res. 2022 Sep 10; 18(3): 633-41. https://doi.org/10.18187/pjsor.v18i3.3657
Rashid DH, Hamza SK. Comparison Some of Methods Wavelet Estimation for Non Parametric Regression Function with Missing Response Variable at Random. J Econ Finance Adm Sci. 2016; 22(90): 382-406. https://doi.org/10.33095/jeas.v22i90.513
Kaiser G. A Friendly Guide to Wavelets. 1st edition. USA: Birkhäuser Boston, MA; 2010 Nov 3. XX, 300 p. https://doi.org/10.1007/978-0-8176-8111-1
Daubechies I. Ten Lectures on Wavelets. Philadelphia, PA: SIAM; 1992 Jan 1. 369 p. https://doi.org/10.1137/1.9781611970104
Meyer Y. Wavelets and Operators: Volume 1. United Kingdom: Cambridge university press; 1993. 239 p. https://doi.org/10.1017/CBO9780511623820