Уважаемые коллеги, доброго времени суток! Представляем вам польское научное издание Dependence Modeling. Журнал имеет третий квартиль, издаётся в De Gruyter Open Ltd., находится в открытом доступе, его SJR за 2021 г. равен 0,438, электронный ISSN - 2300-2298, предметные области - Прикладная математика, Статистика и теория вероятностей, Общая математика. Вот так выглядит обложка:
Редактором является Джованни Пуччетти, контактные данные - giovanni.puccetti@unimi.it, demo.editorial@degruyteropen.com.
Цель заключается в обеспечении среды для обмена результатами и идеями в области моделирования многомерных зависимостей. Это полностью рецензируемый журнал с открытым доступом, предоставляющий читателям бесплатный, мгновенный и постоянный доступ ко всему контенту в мире. Он включен в список Web of Science (Индекс цитирования новых источников), Scopus, MathSciNet и Zentralblatt Math. В журнале представлены различные типы статей:
- "Исследовательские статьи" по фундаментальным теоретическим аспектам, а также по значимым приложениям в науке, технике, экономике, финансах, страховании и других областях;
- "Обзорные статьи", которые представляют существующую литературу по конкретной теме с новых точек зрения;
- "Статьи-интервью", ограниченные двумя статьями в год, охватывающие интервью с выдающимися личностями в области моделирования зависимости.
Темы журнала включают, но не ограничиваются ими:
- Методы связки;
- Многомерные распределения;
- Оценка и тесты на соответствие;
- Меры ассоциации;
- Количественное управление рисками;
- Меры риска и стохастические порядки;
- Временные ряды;
- Науки об окружающей среде;
- Вычислительные методы и программное обеспечение;
- Теория экстремальных значений;
- Предельные законы;
- Массовые перевозки.
Адрес издания - https://www.degruyter.com/journal/key/demo/html
Пример статьи, название - Nonparametric C- and D-vine-based quantile regression. Заголовок (Abstract) - Quantile regression is a field with steadily growing importance in statistical modeling. It is a complementary method to linear regression, since computing a range of conditional quantile functions provides more accurate modeling of the stochastic relationship among variables, especially in the tails. We introduce a nonrestrictive and highly flexible nonparametric quantile regression approach based on C- and D-vine copulas. Vine copulas allow for separate modeling of marginal distributions and the dependence structure in the data and can be expressed through a graphical structure consisting of a sequence of linked trees. This way, we obtain a quantile regression model that overcomes typical issues of quantile regression such as quantile crossings or collinearity, the need for transformations and interactions of variables. Our approach incorporates a two-step ahead ordering of variables, by maximizing the conditional log-likelihood of the tree sequence, while taking into account the next two tree levels. We show that the nonparametric conditional quantile estimator is consistent. The performance of the proposed methods is evaluated in both low- and high-dimensional settings using simulated and real-world data. The results support the superior prediction ability of the proposed models. Keywords: vine copulas; conditional quantile function; nonparametric pair-copulas
