ความสัมพันธ์ที่สามารถบรรลุได้สำหรับตัวแปรสุ่ม lognormal


19

พิจารณา lognormal ตัวแปรสุ่มX1และX2กับlog(X1)N(0,1)และlog(X2)N(0,σ2) )

ρmaxρminρ(X1,X2)

ρmax=ρ(exp(Z),exp(σZ))และ ρmin=ρ(exp(Z),exp(σZ)) ,

แต่พวกเขาได้ทำการอ้างอิงถึง comonotonicity และ countercomonotonicity ฉันหวังว่าจะมีคนช่วยให้ฉันเข้าใจว่าพวกเขาเกี่ยวข้องกันอย่างไร (ฉันรู้วิธีที่จะได้รับสิ่งนี้จากการแสดงออกทั่วไป แต่ต้องการที่จะรู้ว่าสิ่งที่ส่วน comonotonicity กำลังพูด)


8
พวกเขาเป็นใคร"?
whuber

คำตอบ:


25

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+u21)
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=eσZZN(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(e1)var(eσZ)=eσ2(eσ21)

cov(eZ,eσZ)=E(e(σ+1)Z)E(eσZ)E(eZ)=e(σ+1)2/2e(σ2+1)/2=e(σ2+1)/2(eσ1).
ρmax=e(σ2+1)/2(eσ1)e(e1)eσ2(eσ21)=(eσ1)(e1)(eσ21).

การคำนวณที่คล้ายกันกับให้ผลผลิต X2=eσZ

ρmin=(eσ1)(e1)(eσ21).

ความคิดเห็น
ตัวอย่างนี้แสดงให้เห็นว่าเป็นไปได้ที่จะมีคู่ของตัวแปรสุ่มที่ขึ้นอยู่กับอย่างมาก - comonotonicity และ countermonotonicity เป็นประเภทที่แข็งแกร่งที่สุดของการพึ่งพา - แต่มันมีความสัมพันธ์ต่ำมาก ต่อไปนี้แสดงให้เห็นแผนภูมิขอบเขตเหล่านี้เป็นหน้าที่ของ\σ

ป้อนคำอธิบายรูปภาพที่นี่

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)

7
(+6) การอธิบายอย่างละเอียดดีและภาพประกอบได้ดี เป็นที่น่าสนใจที่ความพยายามยืนยันแผนภูมิของคุณผ่านการจำลองจะถึงวาระเมื่อมีขนาดใหญ่กว่าเนื่องจากค่าสัมประสิทธิ์สหสัมพันธ์ตัวอย่างนั้นแปรผันมาก (เนื่องจากมีโอกาสที่จะได้ค่าสูงมากซึ่งจะมีประโยชน์สูง) . นั่นทำให้ค่าที่สูงกว่าปกติในการวิเคราะห์ทางทฤษฎีที่มั่นคง σ3X2
whuber

5
การแสดงออกนี้เป็นการปรับตัวอย่าง 2.1 (pg. 23) ของ M. Denuit และ J. Dhaene (2003), การจำแนกลักษณะอย่างง่ายของ comonotonicity และ countermonotonicity โดยความสัมพันธ์ที่มากที่สุด , Bulletin Actuarial Belgian , vol. 3, 22-27
พระคาร์ดินัล

3
@ cardinal ฉันไม่ได้ตระหนักถึงบทความนี้ขอบคุณ การอ้างอิงอื่น ๆ ที่เป็นไปได้ ได้แก่ebooks.cambridge.org/หรือ McNeil, AJ, Frey, R. และ Embrechts, P. (2005) การจัดการความเสี่ยงเชิงปริมาณ: แนวคิดเทคนิคและเครื่องมือ ปรินซ์ตัน: สำนักพิมพ์มหาวิทยาลัยพรินซ์ตัน
QuantIbex

2
ตัวอย่างกลับไปอย่างน้อย RD De Veaux (1976), ขอบเขตบนและล่างที่แน่นสำหรับค่าสหสัมพันธ์ของการแจกแจง bivariate ที่เกิดขึ้นในโมเดลมลพิษทางอากาศ , Tech รายงาน 5 แผนกสถิติมหาวิทยาลัยสแตนฟอร์ด ดูส่วนที่ 3 เริ่มต้นในหน้า 6 เครื่องมือพื้นฐานที่รู้จักกันใน Hoeffding
พระคาร์ดินัล

X1X2(h1(Z),h2(Z))h1,h2X1=eZX1=eσZ
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.