นิยามการพึ่งพาหาง


10

ฉันพยายามค้นหาคำจำกัดความที่เรียบง่ายและกระชับของการพึ่งพาหางแบบใด ใครสามารถแบ่งปันสิ่งที่พวกเขาเชื่อว่ามันเป็น

ประการที่สองถ้าฉันจะพล็อตแบบจำลองโดยใช้ copulas ที่แตกต่างกันบนกราฟฉันจะรู้ได้อย่างไรว่าอันไหนที่แสดงการพึ่งพาหาง

คำตอบ:


9

คำจำกัดความของการพึ่งพาหางบนของ rv และYกับการกระจายตัวตามลำดับ F และ G คือ: lim u 1 P { Y > G - 1 ( u ) | X > F - 1 ( u ) ) = λ u (Embrechts และคณะ (2001)) มันเป็นความน่าจะเป็นที่ Y ถึงค่าที่มีขนาดใหญ่มากเนื่องจากตัวแปรสุ่มนั้นจะมีค่ามากที่สุด ดังนั้นมันจึงสามารถเข้าใจในทางที่ใกล้ชิดλXYLimยู1P{Y>G-1(ยู)|X>F-1(ยู))=λยูλ การเชื่อมโยงระหว่าง X ถึงค่าสูงและ Y ถึงค่ามากยิ่งขึ้นเช่นกัน

การบอกว่า copulas แสดงการพึ่งพาหางไม่ยากในกรณี extereme: สิ่งที่สำคัญคือว่าตัวแปร (สอง) ปรากฏทำงานอย่างใกล้ชิดในมุมของกราฟมากกว่าในศูนย์

แบบเกาส์เกาส์ไม่มีหางพึ่งพา - แม้ว่าตัวแปรสุ่มมีความสัมพันธ์สูงดูเหมือนว่าจะไม่มีความสัมพันธ์พิเศษใด ๆ ของตัวแปรถึงค่าขนาดใหญ่ (ในมุมของแผนภูมิ) Gaula copula ที่มีระยะขอบปกติและสหสัมพันธ์เท่ากับ 0.9

การขาดการพึ่งพาหางจะปรากฏชัดเจนเมื่อพล็อตถูกเปรียบเทียบกับพล็อตของการจำลองจากระยะขอบเดียวกัน แต่กับ T-2 copula

T-copulas มีการพึ่งพาหางและการพึ่งพาเพิ่มขึ้นกับสหสัมพันธ์และลดลงด้วยจำนวนองศาอิสระ หากมีการจำลองจุดต่าง ๆ มากขึ้นเพื่อให้ครอบคลุมหน่วยสี่เหลี่ยมจัตุรัสมากขึ้นเราจะเห็นจุดเส้นบาง ๆ ที่มุมบนขวาและมุมซ้ายล่าง แต่แม้ในแผนภูมิจะเห็นได้ว่าในจตุภาคบนขวาและล่างซ้าย - นั่นคือตัวแปรทั้งสองมีค่าต่ำมากหรือมีค่าสูงมาก - ตัวแปรทั้งสองดูเหมือนจะมีความสัมพันธ์อย่างใกล้ชิดยิ่งกว่าในร่างกาย

T-2 copula ที่มีระยะขอบปกติและสหสัมพันธ์เท่ากับ 0.9

ตลาดการเงินมีแนวโน้มที่จะแสดงการพึ่งพาหางโดยเฉพาะอย่างยิ่งการพึ่งพาหางที่ต่ำกว่า; เช่นผลตอบแทนหุ้นที่สำคัญในเวลาปกติมีความสัมพันธ์ประมาณ 0.5 แต่ในเดือนกันยายน / ตุลาคม 2008 บางคู่มีความสัมพันธ์มากกว่า 0.9 ซึ่งทั้งคู่ตกลงอย่างหนาแน่น เกาส์แบบเกาส์ถูกนำมาใช้ก่อนเกิดวิกฤตการณ์สำหรับการกำหนดราคาของผลิตภัณฑ์สินเชื่อมาและเนื่องจากมันไม่ได้คำนึงถึงการพึ่งพาอาศัยหางจึงมีการประเมินความสูญเสียที่อาจเกิดขึ้นเมื่อเจ้าของบ้านจำนวนมากไม่สามารถจ่ายได้ การชำระเงินของเจ้าของบ้านอาจจะเข้าใจว่าเป็นตัวแปรสุ่ม - และพวกเขาพิสูจน์แล้วว่ามีความสัมพันธ์อย่างมากในช่วงเวลาที่หลายคนเริ่มมีปัญหาในการจ่ายเงินจำนองของพวกเขา เนื่องจากค่าเริ่มต้นเหล่านี้มีความสัมพันธ์อย่างใกล้ชิดเนื่องจากภาวะเศรษฐกิจที่ไม่พึงประสงค์ agains แสดงการพึ่งพาหาง

PS: เทคนิคการพูดภาพแสดงการกระจายหลายตัวแปรที่สร้างจาก copulas และระยะขอบปกติ


1
คุณช่วยอธิบายเพิ่มเติมว่ากราฟของคุณแสดงการพึ่งพาหางได้อย่างไร คุณจะอธิบายได้อย่างไรถ้าคุณอธิบายให้คนที่มีพื้นหลังทางสถิติ จำกัด
Jim

3

การพึ่งพาหางคือเมื่อความสัมพันธ์ระหว่างตัวแปรสองตัวเพิ่มขึ้นเมื่อคุณได้รับ "เพิ่มเติม" ในส่วนท้าย (อย่างใดอย่างหนึ่งหรือทั้งสองอย่าง) ของการแจกแจง เปรียบเทียบ Clayton Copula กับ Frank Copula

Clayton Copula Scatterplot

แฟรงค์โคคูล่า scatterplot

เคลย์ตันมีการพึ่งพาหางซ้าย นั่นหมายความว่าเมื่อคุณเลื่อนไปทางซ้าย (ค่าที่น้อยกว่า) ตัวแปรจะสัมพันธ์กันมากขึ้น Frank (และ Gaussian สำหรับเรื่องนั้น) นั้นสมมาตร หากค่าสหสัมพันธ์เท่ากับ 0.45 จะเท่ากับ 0.45 ตลอดช่วงการแจกแจงทั้งหมด

ระบบเศรษฐกิจมีแนวโน้มที่จะแสดงการพึ่งพาหาง ตัวอย่างเช่นรับความเสี่ยงเครดิตของ บริษัท ประกันภัยต่อ เมื่อความสูญเสียโดยรวมเป็นเรื่องปกติไม่ว่าผู้รับประกันภัยต่อหรือผู้รับประกันภัยต่อ B จะเริ่มต้นจากการจ่ายเงินให้แก่ บริษัท ประกันภัยอาจดูไม่เกี่ยวข้องหรือมีความสัมพันธ์กันอย่างอ่อน ตอนนี้ลองนึกภาพว่ามีผู้บาดเจ็บล้มตายจำนวนมาก (เช่น Hurricanes Rita, Wilma, Ida, ฯลฯ ) ขณะนี้ตลาดทั้งหมดได้รับผลกระทบจากการร้องขอการชำระเงินจำนวนมากซึ่งอาจนำไปสู่ปัญหาสภาพคล่องที่ผู้รับประกันภัยต่อจำนวนมากจะเผชิญเนื่องจากขอบเขตของปัญหาและความต้องการของผู้ประกันตนในเวลาเดียวกัน ความสามารถในการจ่ายของพวกเขามีความสัมพันธ์มากขึ้นในขณะนี้ นี่คือตัวอย่างที่ copula ที่มีการพึ่งพาอาศัยกันทางด้านขวาเรียกว่า


1

อย่างน้อยก็อย่างที่ฉันเข้าใจได้อธิบายให้คนที่มีพื้นหลังทางสถิติ จำกัด

ลองนึกภาพคุณมีตัวแปรสองตัวคือ X และ Y โดยมีการสังเกตการณ์ 100,000 ครั้ง การสังเกตนั้นเชื่อมโยงกันในแง่หนึ่ง บางทีพวกเขาอาจถูกสร้างขึ้นโดยใช้โคคูลาหรือคุณมีค่าตอบแทนของสองหุ้นที่มีความสัมพันธ์กันอย่างมากในช่วงระยะเวลา 100,000 ครั้ง

1100* * * *1100* * * *100,000=10

จำนวนที่แท้จริงของการสังเกตมีแนวโน้มที่จะสูงกว่า 10 เมื่อค่าสำหรับ X และ Y ที่ไม่เป็นอิสระในหางนี้คือสิ่งที่เราเรียกว่าการพึ่งพาหาง

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.