Mål på avhengighet i tidsrekker og i multidimensionale data.

I de siste tiårene, har det blitt et økende behov for nye måter å forstå forhold og avhengighet mellom variablene i et datasett. Av denne grunn er det ønskelig å utvikle nye metoder til å beskrive, eller forutsi, ulike avhengighets fenomen så nøyaktig som mulig. Det finnes flere metoder som kan analysere slike problem, men de bygger ofte på restriktive forutsetninger så som linearitet og normal fordeling som sannsynligvis ikke er helt riktige.

Lacal har i sin doktorgradsavhandling jobbet med et mål på avhengighet, som heter lokal Gaussisk korrelasjon, og med et grafisk verktøy, som heter regular vine. Begge disse metodikkene representerer generalisering av teknikker som baserer seg på klassen av multivariate normalfordeling og krever således svakere forutsetninger. Hun har sett på hvordan disse metodene kan brukes til både å teste og visualisere ulike avhengighetsstrukturer, og med anvendelser på økonomiske, klimatologiske og biologiske datasett.

Personalia:

Virginia Lacal Graziani er født i 1989, vokste opp i Roma (Italia), og tok mastergrad i matematikk ved Universitetet Tor Vergata i Roma i 2013. Hun har siden 2013 jobbet med doktorgraden i statistikk under veiledning av Dag Tjøstheim.