Một phương pháp phổ biến là "giảm trivariate" mà mẫu và X 2 ~ W + Z để các mối tương quan được gây ra bởi các variate ngẫu nhiên Z . Lưu ý rằng điều này cũng có thể khái quát hóa hơn 2 chiều - nhưng phức tạp hơn trường hợp 2 chiều. Bạn có thể nghĩ rằng bạn chỉ có thể có được mối tương quan tích cực nhưng thực tế bạn cũng có thể có được mối tương quan tiêu cực bằng cách sử dụng U và ( 1 - U ) khi tạo ra các biến thiên ngẫu nhiên, điều này sẽ tạo ra một mối tương quan tiêu cực trên các bản phân phối.X1∼Y+ZX2∼W+ZZU(1−U)
Một phương pháp phổ biến thứ ba là (NORTA) BÌNH THƯỜNG cho bất cứ điều gì ; tạo ra các biến thiên bình thường tương quan, biến chúng thành các biến thể ngẫu nhiên thống nhất thông qua việc đánh giá các cdf tương ứng của chúng, sau đó sử dụng các biến thể ngẫu nhiên đồng nhất "mới" này như một nguồn ngẫu nhiên trong việc tạo ra các bản vẽ từ phân phối mới.
Bên cạnh cách tiếp cận copula (cả lớp phương pháp) được đề cập trong bài đăng khác, bạn cũng có thể lấy mẫu từ phân phối khớp nối tối đa tương tự như phương pháp copula. Bạn chỉ định phân phối biên và mẫu từ khớp nối tối đa. Điều này được thực hiện bằng 2 bước từ chối chấp nhận như được mô tả bởi Pierre Jacob tại đây . Có lẽ phương pháp này có thể được mở rộng đến kích thước cao hơn 2 nhưng có thể phức tạp hơn để đạt được. Lưu ý rằng khớp nối tối đa sẽ tạo ra một mối tương quan phụ thuộc vào các giá trị của các tham số của lề xem bài đăng này cho một ví dụ hay về điều này trong câu trả lời của Xi'an cho câu hỏi của tôi.
Nếu bạn sẵn sàng chấp nhận các mẫu gần đúng (trong hầu hết các trường hợp) thì các kỹ thuật MCMC cũng là một tùy chọn để lấy mẫu từ các phân phối đa chiều.
Ngoài ra, bạn có thể sử dụng các phương pháp chấp nhận từ chối nhưng thường khó tìm được mật độ thống trị để lấy mẫu và đánh giá tỷ lệ của mật độ đó với mật độ mong muốn.
Đây là tất cả các phương pháp bổ sung tôi có thể nghĩ ra nhưng có lẽ có một vài điều tôi đã bỏ lỡ.