Các mối tương quan có thể đạt được cho các biến ngẫu nhiên lognatural


19

Hãy xem xét các biến ngẫu nhiên bất thường và với và .X 2 log ( X 1 ) ~ N ( 0 , 1 ) log ( X 2 ) ~ N ( 0 , σ 2 )X1X2đăng nhập(X1)~N(0,1)đăng nhập(X2)~N(0,σ2)

Tôi đang cố gắng tính toán và \ rho _ {\ min} cho \ rho (X_1, X_2) . Một bước trong giải pháp tôi đưa ra là: ρ phút ρ ( X 1 , X 2 )ρtối đaρtối thiểuρ(X1,X2)

ρtối đa= =ρ(điểm kinh nghiệm(Z),điểm kinh nghiệm(σZ))ρtối thiểu= =ρ(điểm kinh nghiệm(Z),điểm kinh nghiệm(-σZ)) ,

nhưng họ đã thực hiện một số tài liệu tham khảo về tính đồng nhất và tính đồng nhất. Tôi đã hy vọng ai đó giúp tôi hiểu làm thế nào chúng có liên quan. (Tôi biết làm thế nào để có được điều này từ biểu thức chung nhưng muốn biết cụ thể những gì phần hài hước đang nói.)


8
"Họ" là ai?
whuber

Câu trả lời:


25

Tôi sẽ bắt đầu bằng cách cung cấp định nghĩa về tính đồng nhất và tính đối kháng . Sau đó, tôi sẽ đề cập tại sao điều này có liên quan để tính hệ số tương quan tối thiểu và tối đa có thể có giữa hai biến ngẫu nhiên. Và cuối cùng, tôi sẽ tính các giới hạn này cho các biến ngẫu nhiên hợp lý X1X2 .

Comonotonicity và countermonotonicity
Các biến ngẫu nhiên được cho là comonotonic nếu họ copulaFréchet trên ràng buộc , đó là mạnh nhất loại phụ thuộc "tích cực". Có thể chỉ ra rằng là comonotonic khi và chỉ khi trong đó là một số biến ngẫu nhiên, là các hàm tăng và M ( u 1 , ... , u d ) = min ( u 1 , ... , u d ) X 1 , ... , X d ( X 1 , ... , X d ) d = ( h 1 ( Z ) , ... , h d ( Z ) )X1,Giáo dục,Xd M(bạn1,Giáo dục,bạnd)= =tối thiểu(bạn1,Giáo dục,bạnd)
X1,Giáo dục,Xd

(X1,Giáo dục,Xd)= =d(h1(Z),Giáo dục,hd(Z)),
Zh1,Giáo dục,hd= =dbiểu thị sự bình đẳng trong phân phối. Vì vậy, các biến ngẫu nhiên comonotonic chỉ là các chức năng của một biến ngẫu nhiên duy nhất.

Các biến ngẫu nhiên được cho là đối kháng nếu copula của chúng là Fréchet giới hạn dưới , đây là loại phụ thuộc "âm" mạnh nhất trong trường hợp bivariate. Countermonotonocity không khái quát đến kích thước cao hơn. Có thể chỉ ra rằng là đối kháng khi và chỉ khi trong đó là một biến ngẫu nhiên, và và tương ứng là một hàm tăng và giảm hoặc ngược lại.X1,X2 W(bạn1,bạn2)= =tối đa(0,bạn1+bạn2-1)
X1,X2

(X1,X2)= =d(h1(Z),h2(Z)),
Zh1h2

Tương quan có thể đạt được
Đặt và là hai biến ngẫu nhiên có phương sai dương và hữu hạn nghiêm ngặt, và hãy để và biểu thị hệ số tương quan tối thiểu và tối đa có thể có giữa và . Sau đó, nó có thể được hiển thị rằngX1X2ρtối thiểuρtối đaX1X2

  • ρ(X1,X2)= =ρtối thiểu khi và chỉ khi và là phản đối;X1X2
  • ρ(X1,X2)= =ρtối đa khi và chỉ khi và là comonotonic.X1X2

Tương quan
có thể đạt được cho các biến ngẫu nhiên lognatural Để có được chúng tôi sử dụng thực tế là đạt được mối tương quan tối đa khi và chỉ khi và là comonotonic. Các biến ngẫu nhiên và trong đó là comonotonic vì hàm số mũ là hàm tăng (nghiêm ngặt), và do đó .ρtối đaX1X2X1= =eZX2= =eσZZ~N(0,1)ρtối đa= =corr(eZ,eσZ)

Sử dụng các thuộc tính của các biến ngẫu nhiên lognatural , chúng ta có , , , và hiệp phương sai là Do đó, E(eZ)= =e1/2E(eσZ)= =eσ2/2vmộtr(eZ)= =e(e-1)vmộtr(eσZ)= =eσ2(eσ2-1)

cov(eZ,eσZ)= =E(e(σ+1)Z)-E(eσZ)E(eZ)= =e(σ+1)2/2-e(σ2+1)/2= =e(σ2+1)/2(eσ-1).
ρtối đa= =e(σ2+1)/2(eσ-1)e(e-1)eσ2(eσ2-1)= =(eσ-1)(e-1)(eσ2-1).

Tính toán tương tự với suất X2= =e-σZ

ρtối thiểu= =(e-σ-1)(e-1)(eσ2-1).

Nhận xét
Ví dụ này cho thấy có thể có một cặp biến ngẫu nhiên phụ thuộc rất nhiều - comonotonicity và countermonotonicity là loại phụ thuộc mạnh nhất - nhưng có tương quan rất thấp. Biểu đồ sau đây cho thấy các giới hạn này là một hàm của .σ

nhập mô tả hình ảnh ở đây

Đây là mã R tôi đã sử dụng để tạo biểu đồ trên.

curve((exp(x)-1)/sqrt((exp(1) - 1)*(exp(x^2) - 1)), from = 0, to = 5,
      ylim = c(-1, 1), col = 2, lwd = 2, main = "Lognormal attainable correlation",
      xlab = expression(sigma), ylab = "Correlation", cex.lab = 1.2)
curve((exp(-x)-1)/sqrt((exp(1) - 1)*(exp(x^2) - 1)), col = 4, lwd = 2, add = TRUE)
legend(x = "bottomright", col = c(2, 4), lwd = c(2, 2), inset = 0.02,
       legend = c("Correlation upper bound", "Correlation lower bound"))
abline(h = 0, lty = 2)

7
(+6) Giải thích kỹ lưỡng và minh họa tốt. Điều thú vị là các nỗ lực xác nhận biểu đồ của bạn thông qua mô phỏng sẽ bị tiêu diệt khi lớn hơn vì hệ số tương quan mẫu là rất thay đổi (do cơ hội nhận được một giá trị cực cao của , sẽ có đòn bẩy cao) . Điều đó đặt một giá trị cao hơn bình thường trên một phân tích lý thuyết vững chắc. σ3X2
whuber

5
Giải trình này là một bản phóng tác của Ví dụ 2.1 (trang 23) của M. Denuit và J. Dhaene (2003), Các đặc điểm đơn giản của tính đồng nhất và tính đối kháng bằng các tương quan cực đoan , Bản tin Actuarial của Bỉ , tập. 3, 22-27.
Đức hồng y

3
@cardinal Tôi không biết bài viết này, cảm ơn. Các tài liệu tham khảo tiềm năng khác bao gồm ebooks.cambridge.org/ trộm hoặc McNeil, AJ, Frey, R. và Embrechts, P. (2005). Quản lý rủi ro định lượng: Khái niệm, kỹ thuật và công cụ. Princeton: Nhà xuất bản Đại học Princeton.
QuantIbex

2
Ví dụ quay trở lại ít nhất là RD De Veaux (1976), Giới hạn trên và dưới chặt chẽ cho mối tương quan của các phân phối bivariate phát sinh trong các mô hình ô nhiễm không khí , Tech. Báo cáo 5, Khoa Thống kê, Đại học Stanford. Xem Phần 3 bắt đầu từ trang 6. Các công cụ cơ bản được biết đến với Hoeffding.
Đức hồng y

@QuantIbex trong bằng chứng của bạn có điều gì đó không rõ ràng với tôi. Trước tiên, bạn cho rằng và là comonotonic khi và chỉ khi phân phối chung của chúng bằng , đối với tăng, v.v., nhưng khi bạn áp dụng kết quả này cho ngẫu nhiên logic các biến, bạn nói rằng điều này ngụ ý rằng chính các biến ngẫu nhiên là và , nghĩa là, có vẻ như bạn áp dụng yêu cầu cho chính các biến ngẫu nhiên, không chỉ phân phối của chúng. Nó thế nào? X1X2(h1(Z),h2(Z))h1,h2X1= =eZX1= =eσZ
RandomGuy
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.