We define a bivariate copula that captures the scale-invariant extent of dependence of a single random variable $Y$ on a set of potential explanatory random variables $X_1, \dots, X_d$. The copula itself contains the information whether $Y$ is completely dependent on $X_1, \dots, X_d$, and whether $Y$ and $X_1, \dots, X_d$ are independent. Evaluating this copula uniformly along the diagonal, i.e. calculating Spearman's footrule, leads to the so-called 'simple measure of conditional dependence' recently introduced by Azadkia and Chatterjee [1]. On the other hand, evaluating this copula uniformly over the unit square, i.e. calculating Spearman's rho, leads to a distribution-free coefficient of determination. Applying the techniques introduced in [1], we construct an estimate for this copula and show that this copula estimator is strongly consistent. Since, for $d=1$, the copula under consideration coincides with the well-known Markov product of copulas, as by-product, we also obtain a strongly consistent copula estimator for the Markov product. A simulation study illustrates the small sample performance of the proposed estimator.


翻译:我们定义了一个双变量, 显示单一随机变量Y$对一组潜在解释性随机变量UX_ 1,\ dots, X_ d$, X_ d$的依附程度。 copula本身包含关于Y$是否完全依赖X_ 1,\ dots, X_ d$, 以及是否Y$和X_ 1,\ dots, X_ d$是独立的信息。 沿着对角线, 即计算Spearman的脚律, 来评估这个千差数, 导致Azadkia和Chatterjee最近推出所谓的“ 有条件依赖的简单度 ” [1. 。 另一方面, 计算Spearman的正方形是否完全依赖$X_ 1, X_ d$, 是否Y美元和 $X_ 1, X_ dots, X_ dots, 和 X. dofficol 的试样系数是独立的。 应用在[ 1] 中引入了这一椰子的估测算器, 显示这个精度非常一致。 因为对于 $=1$d=1, 考虑中的焦拉 也与我们所考虑的模拟的试测算的 一致的DNA 的DNA是 的DNA产品。

0
下载
关闭预览

相关内容

《过参数化机器学习理论》综述论文
专知会员服务
45+阅读 · 2021年9月19日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Extremal Characteristics of Conditional Models
Arxiv
0+阅读 · 2022年2月23日
On Variance Estimation of Random Forests
Arxiv
0+阅读 · 2022年2月18日
VIP会员
相关VIP内容
《过参数化机器学习理论》综述论文
专知会员服务
45+阅读 · 2021年9月19日
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
【TED】什么让我们生病
英语演讲视频每日一推
7+阅读 · 2019年1月23日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员