Lognormal rastgele değişkenler için ulaşılabilir korelasyonlar


19

Log ( X 1 ) N ( 0 , 1 ) ve log ( X 2 ) N ( 0 , σ 2 ) ile lognormal rasgele değişkenleri X1 ve düşünün .X2log(X1)N(0,1)log(X2)N(0,σ2)

ρ dk ρ ( X 1 , X 2 )ρmaxρminρ(X1,X2)

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

fakat komonotonikliğe ve karşı komünotoniteye bazı göndermeler yaptılar. Birisinin nasıl alakalı olduğunu anlamama yardım etmesini umuyordum. (Bunu genel ifadeden nasıl elde edeceğimi biliyorum, ancak özellikle ortak birliktelik parçalarının ne söylediğini bilmek istiyorum.)


8
Onlar kim"?
whuber

Yanıtlar:


25

Ben tanımını sağlayarak başlayacağız comonotonicity ve countermonotonicity . Daha sonra, bunun iki rasgele değişken arasındaki minimum ve maksimum olası korelasyon katsayısını hesaplamak için neden önemli olduğunu anlatacağım. Ve son olarak, lognormal rasgele değişkenler için bu sınırları hesaplamak edeceğiz ve X 2 .X1X2

Comonotonicity ve countermonotonicity
rastgele değişkenler olduğu söylenmektedir comonotonic kendi halinde bağ olduğu üst sınırı Frechet M ( u 1 , ... , u d ) = dakika ( u 1 , ... , u d ) , ki bu en güçlü "pozitif" bağımlılık türü. Bu gösterilebileceğini X 1 , ... , X dX1,,Xd M(u1,,ud)=min(u1,,ud)
X1,,Xdolan comonotonic ancak ve ancak Z, bir rastgele değişken, h 1 , ... , h d artan işlev ve d = dağılımda eşitliği belirtir. Dolayısıyla, comonotonik rasgele değişkenler sadece tek bir rasgele değişkenin fonksiyonudur.

(X1,,Xd)=d(h1(Z),,hd(Z)),
Zh1,,hd=d

Rastgele değişkenler olduğu söylenen countermonotonic kendi bağ ise, alt sınır Frechet W ( u 1 , u 2 ) = maks ( 0 , u 1 + u 2 - 1 ) "arasında en güçlü tipi olan, iki değişkenli durumda negatif "bağımlılık. Kontermonotonokite daha yüksek boyutlarda genelleme yapmaz. O gösterilebilir x 1 , x 2 ise countermonotonic ve ancak vardır (X1,X2 W(u1,u2)=max(0,u1+u21)
X1,X2Z, bir rastgele değişken ve h 1 ve h 2 artan ve çok yönlü bir azalan bir fonksiyonudur ya da tersine, sırasıyla.

(X1,X2)=d(h1(Z),h2(Z)),
Zh1h2

Ulaşılabilir korelasyon
Let ve X 2 kesinlikle pozitif ve sonlu varyanslı iki rastgele değişken olabilir ve izin ρ dk ve ρ max göstermektedirler arasındaki minimum ve maksimum olası korelasyon katsayısı X 1 ve X 2 . Daha sonra,X1X2ρminρmaxX1X2

  • ancak ve ancak X 1 ve X, 2 countermonotonic vardır;ρ(X1,X2)=ρminX1X2
  • ancak ve ancak X 1 ve X, 2 comonotonic bulunmaktadır.ρ(X1,X2)=ρmaxX1X2

Lognormal değişkenler için Ulaşılabilir korelasyon
elde etmek için biz, ancak ve ancak bir azami korelasyon elde olduğu gerçeğini kullanımı X 1 ve X, 2 comonotonic bulunmaktadır. Rastgele değişkenler X 1 = E , Z ve X, 2 = E σ Z , Z ~ N ( 0 , 1 ) üstel fonksiyon böylece (kesin) artan bir fonksiyonudur ve o zamandan beri comonotonic olan ρ maks = C o r r (ρmaxX1X2X1=eZX2=eσZZN(0,1) .ρmax=corr(eZ,eσZ)

E(eZ)=e1/2E(eσZ)=eσ2/2var(eZ)=e(e1)var(eσZ)=eσ2(eσ21), and the covariance is

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).
Thus,
ρmax=e(σ2+1)/2(eσ1)e(e1)eσ2(eσ21)=(eσ1)(e1)(eσ21).

Similar computations with X2=eσZ yield

ρmin=(eσ1)(e1)(eσ21).

Comment
This example shows that it is possible to have a pair of random variable that are strongly dependent — comonotonicity and countermonotonicity are the strongest kind of dependence — but that have a very low correlation. The following chart shows these bounds as a function of σ.

enter image description here

This is the R code I used to produce the above chart.

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) Nice thorough exposition and well illustrated. It is interesting that attempts to confirm your chart through simulation will be doomed when σ is much larger than 3 because the sample correlation coefficient is extremely variable (due to the chance of getting one extremely high value of X2, which will have high leverage). That places a higher value than usual on a solid theoretical analysis.
whuber

5
This exposition is an adaptation of Example 2.1 (pg. 23) of M. Denuit and J. Dhaene (2003), Simple characterizations of comonotonicity and countermonotonicity by extremal correlations, Belgian Actuarial Bulletin, vol. 3, 22-27.
cardinal

3
@cardinal I wasn't aware of this article, thanks. Other potential references include ebooks.cambridge.org/… or McNeil, A. J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management: Concepts, Techniques and Tools. Princeton: Princeton University Press.
QuantIbex

2
The example goes back to at least R. D. De Veaux (1976), Tight upper and lower bounds for correlation of bivariate distributions arising in air pollution models, Tech. Report 5, Dept. of Statistics, Stanford University. See Section 3 starting on page 6. The underlying tools were known to Hoeffding.
cardinal

@QuantIbex in your proof there's something unclear to me. You first claim that X1 and X2 are comonotonic if and only if their joint distribution is equal to (h1(Z),h2(Z)), for h1,h2 increasing, etc., but when you apply this result to the lognormal random variables, you say that this implies that the random variables themselves are such that X1=eZ and X1=eσZ, i.e., it seems you apply the claim to the random variables themselves, not just their distributions. How is it?
RandomGuy
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.