Using Kenya historical rainfall and temperature climate data from 1991 to 2016, we conduct an analysis of the interdependence structure for climate change risk analysis. The Archimedean copula approach to dependence modelling has been used by various researchers in modelling interdependent rates. In the present study, we apply the Archimedean copulas to address interdependence effects on climate change data from a developing country. Our research encompasses several key objectives: identifying the interdependence structure of rainfall and temperature data, construction of Clayton, Frank and Gumbel copulas, fitting and selecting the optimum copulas model using maximum log-likelihood criteria and predicting future rainfall and temperature values. The method of moment procedure is used to calibrate the copula dependence parameter and maximum likelihood estimation for the marginal distribution specifications. Subsequently, the performance of the marginal distribution is compared following the AIC, BIC and Log-likelihood values. The findings show that the Frank copula with gamma marginal distribution appropriately accounts for the interdependence effects. Assuming independence of climate data leads to an underestimation of the climate change risk. This dependence structure is utilized to predict future weather patterns. The research findings have a significant effect on Kenya's economy since agriculture is a major economic activity heavily dependent on accurate weather predictions.

L'analyse présentée utilise une approche statistique avancée pour modéliser et comprendre l'interdépendance entre les précipitations et la température, deux variables cruciales dans l'évaluation des risques liés au changement climatique. En s'appuyant sur les copules Archimédiennes, spécifiquement les copules de Clayton, Frank et Gumbel, l'étude capture les structures de dépendance complexes au sein des données climatiques historiques du Kenya, couvrant la période de 1991 à 2016. Cette méthode rigoureuse permet une représentation plus réaliste des comportements conjoints entre température et précipitations que l'hypothèse d'indépendance. Les principaux points de l'étude incluent : (a) Identification de la structure d'interdépendance : La recherche identifie comment les précipitations et la température interagissent, reconnaissant les interdépendances inhérentes qui impactent la modélisation du changement climatique; (b) Construction et sélection des copules : En construisant et ajustant les copules de Clayton, Frank et Gumbel, et en évaluant leur performance à l'aide du critère de maximum de log-vraisemblance, l'étude identifie que la copule de Frank avec une distribution marginale gamma est la plus appropriée; (c) Calibration des paramètres et évaluation des distributions marginales : L'utilisation de la méthode des moments pour calibrer les paramètres de dépendance des copules, et de l'estimation du maximum de vraisemblance pour les distributions marginales, garantit une calibration solide. (d) Les métriques telles que l'AIC, le BIC et les valeurs de log-vraisemblance permettent de comparer la performance des modèles;(d) Implications pour les risques climatiques et les prévisions : Les résultats montrent que l'ignorance des interdépendances conduit à sous-estimer les risques liés au changement climatique. (e) Le modèle optimal permet de prédire les précipitations et les températures futures, un outil essentiel pour la planification agricole et économique au Kenya; (f) Impact sur l'économie : L'agriculture étant un pilier central de l'économie kényane, l'amélioration de la précision des prévisions météorologiques grâce à cette étude a des implications significatives. Des prévisions améliorées soutiennent une meilleure allocation des ressources, la planification des cultures et les stratégies de gestion des risques; Cette recherche met en lumière l'efficacité des copules Archimédiennes pour analyser les données climatiques et leur utilité pour faire face aux défis du changement climatique dans les pays en développement.