LKJ dağılımı, H. Joe'nun (1) çalışmalarının bir uzantısıdır. Joe, tüm pozitif tanımlanmış korelasyon matrislerinin alanı üzerinde düzgün bir şekilde korelasyon matrisleri oluşturmak için bir prosedür önerdi. (2) 'nin katkısı, Joe'nun çalışmalarını, bu tür numuneler üretmenin daha verimli bir yolu olduğunu gösterecek şekilde genişletmesidir.
Stan gibi yazılımlarda yaygın olarak kullanılan parametreleştirme, örneklenen matrislerin kimlik matrislerine ne kadar benzediğini kontrol etmenizi sağlar. Bu, neredeyse çok yakın olan örnekleme matrislerinden sorunsuz bir şekilde hareket edebileceğiniz anlamına gelirben PD matrisleri üzerinde az çok tekdüze olan matrislere.
Korelasyon matrislerinden "soğan" yöntemi olarak adlandırılan alternatif bir örnekleme yöntemi (3) 'te bulunmaktadır. (Hicivli haber dergisiyle ilişkisi yok - muhtemelen.)
Başka bir alternatif, pozitif yarı-kesin olan Wishart dağılımlarından numune almak ve daha sonra bir korelasyon matrisi bırakmak için varyansları bölmektir. Wishart tipi dağılımlardaki sorun, bilgilendirici olmayan çeşitlerin tekil veya sayısal olarak yüksek olasılıklı tekil olmasıdır, bu nedenle numunenin (sayısal) nonsüler olması gerektiğinde örnekleme yöntemleri yavaştır.
(1) H. Joe. "Kısmi korelasyonlara dayalı rasgele korelasyon matrisleri üretmek." Çok Değişkenli Analiz Dergisi , 97 (2006), s. 2177-2189
(2) Daniel Lewandowski, Dorota Kurowicka, Harry Joe. "Üzüm ve genişletilmiş soğan yöntemi dayalı rasgele korelasyon matrisleri oluşturma." Çok Değişkenli Analiz Dergisi , Cilt 100, Sayı 9, 2009, Sayfa 1989-2001
(3) S. Ghosh, SG Henderson. Msgstr "Boyut arttıkça korelasyonlu rastgele vektör üretimi için norta yönteminin davranışı." ACM Modelleme ve Bilgisayar Simülasyonu İşlemleri (TOMACS), 13 (3) (2003), s. 276-294