ฉันจะเริ่มต้นด้วยการให้ความหมายของcomonotonicityและcountermonotonicity จากนั้นฉันจะพูดถึงสาเหตุที่เกี่ยวข้องกับการคำนวณสัมประสิทธิ์สหสัมพันธ์ขั้นต่ำและสูงสุดที่เป็นไปได้ระหว่างตัวแปรสุ่มสองตัว และในที่สุดฉันจะคำนวณขอบเขตเหล่านี้สำหรับ lognormal ตัวแปรสุ่มและX_2X1X2
Comonotonicity และ countermonotonicity
ตัวแปรสุ่มถูกกล่าวว่าเป็นcomonotonicถ้าcopulaของพวกเขาคือFréchetบนขอบเขตซึ่งแข็งแกร่งที่สุด ประเภทของการพึ่งพา "บวก"
มันสามารถแสดงให้เห็นว่าเป็น comonotonic หาก
ที่คือตัวแปรสุ่มบางตัวกำลังเพิ่มฟังก์ชั่นและ
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,…,Xd M(u1,…,ud)=min(u1,…,ud)
X1,…,XdZ ชั่วโมง1 , … , h d d =
(X1,…,Xd)=d(h1(Z),…,hd(Z)),
Zh1,…,hd=dหมายถึงความเท่าเทียมกันในการจัดจำหน่าย ดังนั้นตัวแปรสุ่ม comonotonic เป็นเพียงฟังก์ชั่นของตัวแปรสุ่มเดียว
ตัวแปรสุ่มถูกกล่าวว่าเป็นcountermonotonicถ้า copula ของพวกเขาคือFréchetขอบเขตล่างซึ่งเป็นประเภทที่แข็งแกร่งที่สุดของการ "ลบ" ในการพึ่งพาอาศัยกัน กรณีที่แบ่งเป็นสองส่วน Countermonotonocity ไม่ได้พูดถึงขนาดที่สูง
มันสามารถแสดงให้เห็นว่าเป็น countermonotonic หาก
ที่คือตัวแปรสุ่มบางตัว และและเป็นฟังก์ชันที่เพิ่มขึ้นและลดลงตามลำดับหรือในทางกลับกันX1,X2 X 1 , X 2 ( X 1 , X 2 ) d = ( h 1 ( Z ) , h 2 ( Z ) ) , Z ชั่วโมง1 ชั่วโมง2W(u1,u2)=max(0,u1+u2−1)
X1,X2
(X1,X2)=d(h1(Z),h2(Z)),
Zh1h2
ความสัมพันธ์สำเร็จ
Letและเป็นสองตัวแปรสุ่มที่มีความแปรปรวนอย่างเคร่งครัดในเชิงบวกและ จำกัด และให้และแสดงต่ำสุดและค่าสัมประสิทธิ์สหสัมพันธ์เป็นไปได้สูงสุดระหว่างและX_2จากนั้นก็สามารถแสดงให้เห็นว่าX 2 ρ นาที ρ สูงสุด X 1 X 2X1X2ρminρmaxX1X2
- ρ(X1,X2)=ρminถ้าหากว่าและนั้นมีการกันเท่านั้นX 2X1X2
- ρ(X1,X2)=ρmaxถ้าหากว่าและเป็น comonotonic เท่านั้นX 2X1X2
ความสัมพันธ์ที่สามารถบรรลุได้สำหรับตัวแปรสุ่ม lognormal
เพื่อให้ได้เราใช้ความจริงที่ว่าค่าสหสัมพันธ์สูงสุดนั้นมาถึงหากและเป็น comonotonic เท่านั้น ตัวแปรสุ่มและโดยที่เป็น comonotonic เนื่องจากฟังก์ชันเลขชี้กำลังเป็นฟังก์ชันเพิ่มมากขึ้น (อย่างเคร่งครัด) และด้วยเหตุนี้ขวา) X 1 X 2 X 1 = e Z X 2 = e σ Z Z ∼ N ( 0 , 1 ) ρ สูงสุด = c o r r ( e Z , e σ Z )ρmaxX1X2X1=eZX2=eσZZ∼N(0,1)ρmax=corr(eZ,eσZ)
การใช้คุณสมบัติของตัวแปรสุ่ม lognormalเรามี
,
,
,
และความแปรปรวนร่วมคือ
ดังนั้น
E ( E σ Z ) = อีσ 2 / 2วีR ( อีซี ) = E ( E - 1 ) วีR ( E σ Z ) = อีσ 2 ( อีσ 2 - 1 ) c o v ( e ZE(eZ)=e1/2E(eσZ)=eσ2/2var(eZ)=e(e−1)var(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).
ρmax=e(σ2+1)/2(eσ−1)e(e−1)eσ2(eσ2−1)−−−−−−−−−−−−−−−−√=(eσ−1)(e−1)(eσ2−1)−−−−−−−−−−−−√.
การคำนวณที่คล้ายกันกับให้ผลผลิต
X2=e−σZ
ρmin=(e−σ−1)(e−1)(eσ2−1)−−−−−−−−−−−−√.
ความคิดเห็น
ตัวอย่างนี้แสดงให้เห็นว่าเป็นไปได้ที่จะมีคู่ของตัวแปรสุ่มที่ขึ้นอยู่กับอย่างมาก - comonotonicity และ countermonotonicity เป็นประเภทที่แข็งแกร่งที่สุดของการพึ่งพา - แต่มันมีความสัมพันธ์ต่ำมาก ต่อไปนี้แสดงให้เห็นแผนภูมิขอบเขตเหล่านี้เป็นหน้าที่ของ\σ
นี่คือรหัส R ที่ฉันใช้สร้างแผนภูมิด้านบน
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)