L'action copulaFit estime les paramètres pour un type de copule spécifié. Elle est utile pour modéliser la structure de dépendance entre plusieurs variables aléatoires indépendamment de leurs distributions marginales.
| Paramètre | Description |
|---|---|
| copulatype | Spécifie le type de la copule à estimer. Les types disponibles incluent les copules archimédiennes (CLAYTON, FRANK, GUMBEL) et elliptiques (NORMAL, T). |
| table | Spécifie la table de données d'entrée contenant les variables à analyser. |
| var | Spécifie la liste des noms de variables pour l'ajustement de la copule. |
| corrtable | Spécifie la table de données qui contient la matrice des corrélations de Pearson à utiliser lors de l'ajustement d'une copule t. |
| df | Spécifie une valeur initiale pour les degrés de liberté (df) lors de l'ajustement d'une copule t. |
| display | Spécifie la liste des tables de résultats à créer. Si omis, toutes les tables sont générées. |
| initialvalues | Fournit les valeurs initiales pour l'optimisation numérique. Pour les copules archimédiennes, les valeurs initiales sont calculées par la méthode de calibration. |
| KendallCorrtable | Spécifie la table de données qui contient la matrice des corrélations de Kendall à utiliser lors de l'ajustement d'une copule t. |
| margApproxOpts | Spécifie les options pour l'approximation de la fonction de distribution marginale empirique par la méthode adaptative. |
| marginals | Spécifie la distribution marginale des variables individuelles. 'EMPIRICAL' utilise la distribution empirique, 'UNIFORM' suppose que les données sont déjà transformées en pseudo-échantillons uniformes. |
| method | Spécifie la méthode d'estimation des paramètres. 'MLE' (Maximum Likelihood Estimation) est la méthode par défaut, 'CAL' (Calibration) utilise une méthode basée sur la corrélation de Kendall. |
| name | Spécifie un identifiant pour l'ajustement, stocké comme une variable ID dans la table de sortie spécifiée par le paramètre `store`. |
| optimizer | Spécifie les paramètres qui contrôlent divers aspects du processus d'estimation des paramètres. |
| outpseudo | Spécifie la table de sortie pour sauvegarder les pseudo-échantillons avec des distributions marginales uniformes. |
| outputTables | Spécifie la liste des tables de résultats à sortir en tant que tables CAS. |
| plot | Spécifie les options pour produire des graphiques de diagnostic et de corrélation. |
| store | Stocke les propriétés du modèle et les résultats de l'ajustement dans un item store pour une utilisation ultérieure, par exemple avec l'action `copulaSimulate`. |
| theta | Spécifie une valeur initiale pour le paramètre de dépendance thêta des copules archimédiennes. |
| tolerance | Spécifie la tolérance autorisée pour l'ajustement. |
| varSummary | Si TRUE, produit une table décrivant les propriétés statistiques de base des variables du modèle. |
Ce bloc de code SAS crée une table CAS nommée 'simdata' avec 1000 observations et deux variables, 'y1' et 'y2', qui suivent une distribution log-normale. Ces données seront utilisées pour ajuster un modèle de copule.
| 1 | DATA mycas.simdata(keep=y1 y2); |
| 2 | call streaminit(123); |
| 3 | DO i = 1 to 1000; |
| 4 | x1 = rand('NORMAL'); |
| 5 | x2 = 0.6*x1 + 0.8*rand('NORMAL'); |
| 6 | y1 = exp(x1/2); |
| 7 | y2 = exp(x2/2); |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | RUN; |
Cet exemple montre comment ajuster une copule de Clayton simple en utilisant la méthode de la vraisemblance maximale (MLE) sur les variables 'y1' et 'y2' de la table 'simdata'.
| 1 | PROC CAS; |
| 2 | copula.copulaFit / |
| 3 | TABLE={name='simdata'}, |
| 4 | var={'y1', 'y2'}, |
| 5 | copulaType='CLAYTON', |
| 6 | method='MLE'; |
| 7 | RUN; |
Cet exemple ajuste une copule t en utilisant la méthode de calibration (CAL). Il spécifie une valeur initiale pour les degrés de liberté (df=5), demande un résumé des variables, génère des graphiques de diagnostic (scatter plot) et stocke le modèle ajusté dans un item store nommé 'myfit' pour une utilisation ultérieure.
| 1 | PROC CAS; |
| 2 | copula.copulaFit / |
| 3 | TABLE={name='simdata'}, |
| 4 | var={'y1', 'y2'}, |
| 5 | copulaType='T', |
| 6 | method='CAL', |
| 7 | df=5, |
| 8 | varSummary=true, |
| 9 | plot={scatter=true}, |
| 10 | store={name='myfit', replace=true}; |
| 11 | RUN; |
Une banque d'investissement souhaite modéliser la structure de dépendance entre les rendements de deux actifs financiers majeurs (Actions et Obligations) pour mieux estimer le r...
Une usine connectée collecte les données de température et de pression sur des capteurs industriels. L'objectif est d'identifier les dépendances asymétriques (extrêmes hauts) in...
Une compagnie d'assurance analyse la corrélation entre le coût des sinistres 'Matériel' et 'Corporel'. Les données réelles sont imparfaites : certaines déclarations sont incompl...