% دانشگاه خود را وارد کنید
\university{فردوسی مشهد}
% دانشکده، آموزشکده و یا پژوهشکده  خود را وارد کنید
\faculty{ریاضی}
% گروه آموزشی خود را وارد کنید
\department{آمار}
% گروه آموزشی خود را وارد کنید
\subject{آمار گرایش اقتصاد و علوم اجتماعی}
% گرایش خود را وارد کنید
\field{گرایش اقتصاد و علوم اجتماعی}
% عنوان پایان‌نامه را وارد کنید
\title{مقایسه خارج از نمونه خصوصیات مفصل در پیش بینی چگالی چند متغیره }

% نام استاد(ان) راهنما را وارد کنید
\firstsupervisor{دکتر هادی جباری}
%\secondsupervisor{استاد راهنمای دوم}
% نام استاد(دان) مشاور را وارد کنید. چنانچه استاد مشاور ندارید، دستور پایین را غیرفعال کنید.
\firstadvisor{دکتر مجید سرمد}
%\secondadvisor{استاد مشاور دوم}
\TSupervisor{جناب آقای دکتر جباری}
\TAdvisor{جناب آقای دکتر سرمد}
\TOArbiter{جناب آقای دکتر}
\TTArbiter{سرکار خانم دکتر}


% نام پژوهشگر را وارد کنید
\name{الهه}
% نام خانوادگی پژوهشگر را وارد کنید
\surname{ولایتی}
% تاریخ پایان‌نامه را وارد کنید
\thesisdate{۱۳۹3}
\okdate{1391/03/23}
\defencedate{1393/06/19}
% کلمات کلیدی پایان‌نامه را وارد کنید
\keywords{پیش بینی خارج از نمونه، چگالی، معیار اطلاع کولبک لایبلر، مفصل، نمونه، نیمه پارامتریک}
% چکیده پایان‌نامه را وارد کنید
\fa-abstract{پدیده های طبیعی اغلب چند بعدی بوده و بررسی وابستگی میان آن ها نیازمند مدل سازی توأم از چند متغیر تصادفی است. مدت های زیادی است که آماردان ها علاقه مند به یافتن ارتباط بین توابع توزیع توأم چند بعدی با توابع توزیع با ابعاد پایین‌تر بوده‌اند  که در این میان، اسکلار(1959) رده ی جدیدی از توابع را معرفی نمود که رابطه ای میان تابع توزیع توأم و توابع توزیع حاشیه ای یک متغیره ارایه نمود، این تابع را "مفصل" (به معنای ارتباط یا پیوند) می نامند. در این پایان نامه آزمون آماری جدیدی، بر اساس معیار اطلاع کولبک-لایبلر برای مقایسه ویژگی های مفصل ها در زمینه ی پیش بینی تابع چگالی چند متغیره معرفی کرده و در نهایت مفصل مناسب جهت پیش بینی انتخاب می شود.}

\baselineskip=.6cm
\latinuniversity{Ferdowsi University of Mashhad}
\latinfaculty{Faculty of Mathematical Sciences}
\latinsubject{Statistics}
\latinfield{Statistics}
\latintitle{Out-of-sample comparison of copula specifications in multivariate density forecasts}
\firstlatinsupervisor{Prof. Jabbari}
%\secondlatinsupervisor{Second Supervisor}
\firstlatinadvisor{Prof. Sarmad}
%\secondlatinadvisor{Second Advisor}
\latinname{Elaheh}
\latinsurname{Velayati}
\latinthesisdate{2014}
\latinokdate{2013}
\latindefencedate{2014}
\latinkeywords{copula, density, Kullback-Leibler information criterion, out-of-sample forcast evaluatio,samplen }
\en-abstract{Natural phenomena are always thought as multidimensional, hence in order to scrutinize their interrelationship, a joint modeling of some random variables is required. Statisticians have long been interested in finding the relationship between combined multi-dimensional distribution functions and distribution functions with lower dimensions, among whom Sklar (1959) introduced a new version of functions, suggesting a relationship between combined distribution functions and univariate marginal distribution functions; this is called joint function. The present study introduces a new statistical examination, according to Kullback-Leibler information criterion, in order to compare the specifications of joint functions in terms of forecasting the multivariate density functions.finally, in order to conduct this forecast, the appropriate joint function is chosen.}