【三变量联合分布函数copula】利用AIC BIC确定单变量最优拟合函数、利用AIC确定三变量联合最优copula函数、计算联合概率（Matlab代码实现）

天天程序猿

于 2024-07-30 23:12:47 发布

阅读量642

点赞数 22

文章标签： matlab 算法人工智能

本文链接：https://blog.csdn.net/2301_77414277/article/details/140809120

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

1. 单变量边际分布的确定

2. 三变量联合Copula函数的确定

3. 计算联合概率

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

三变量联合分布函数copula

1.利用AIC BIC确定单变量最优拟合函数

2.利用AIC确定三变量联合最优copula函数

3.计算联合概率

为了使用AIC（Akaike信息准则）和BIC（贝叶斯信息准则）确定单变量的最优拟合函数，并利用AIC确定三变量的最优copula函数，以下是一个详细的步骤指南：

步骤1：单变量最优拟合函数

1. **数据预处理**
- 收集并清洗三变量数据集。
- 对每个变量单独进行描述性统计分析，检查其分布类型。

2. **拟合不同的单变量分布**
- 选择多个候选分布（如正态分布、对数正态分布、伽玛分布、指数分布等）。
- 对每个变量分别拟合这些候选分布。

3. **计算AIC和BIC**
- 计算每个候选分布的AIC和BIC值。
- 选择AIC和BIC值最小的分布作为最优单变量拟合分布。

步骤2：三变量联合分布的copula选择

1. **构建copula模型**
- 选择多个候选的copula函数（如Gaussian copula、t copula、Clayton copula、Gumbel copula等）。
- 使用前面步骤确定的最优单变量分布进行边缘分布的标准化处理。

2. **拟合copula模型**
- 对三变量数据进行copula模型的拟合。
- 计算每个copula模型的AIC值。

3. **选择最优copula**
- 选择AIC值最小的copula作为最优三变量联合分布模型。

在确定单变量最优拟合函数时，可以使用AIC（Akaike Information Criterion）或者BIC（Bayesian Information Criterion）来进行比较。这两种准则都是用来评估模型的拟合程度和复杂性，通过在不同模型之间进行比较来选择最佳模型。

对于三变量联合分布函数copula的选择，可以利用AIC来确定最优的copula函数。首先需要拟合各个边缘分布，然后通过copula函数将它们联系起来。在确定copula函数时，可以使用不同的copula家族（如Gaussian copula、t copula等）来进行比较，然后选择AIC值最小的copula函数作为最优模型。

在确定了最优的copula函数之后，就可以计算联合概率。通过联合分布函数copula，可以根据各个边缘分布以及copula函数来确定联合概率。具体计算方法可以根据所选的copula函数来进行相应的计算，以得到三个变量的联合概率。

在使用AIC（Akaike Information Criterion）和BIC（Bayesian Information Criterion）确定最优模型时，无论是单变量分布还是多变量Copula的选择，我们都是通过比较不同模型下的信息准则值来实现的。以下是该过程的简要指南，具体针对您的要求——确定单变量最优边际分布、三变量联合最优Copula函数，以及最终计算联合概率。

1. 单变量边际分布的确定

数据准备： 首先，确保你有每个变量的数据集。
分布假设： 对于每个变量，提出一系列可能的边际分布假设，比如正态分布、伽马分布、对数正态分布等。
参数估计与AIC/BIC计算： 对于每个分布假设，使用数据估计其参数，并计算相应的AIC或BIC值。AIC和BIC公式分别为：[AIC = 2k - 2\ln(L)] 和 [BIC = k\ln(n) - 2\ln(L)]，其中𝑘k是参数数量，𝐿L是最似然函数值，𝑛n是样本大小。AIC倾向于选择更复杂的模型，而BIC则倾向于惩罚复杂度更高的模型。
选择最佳分布： 对于每个变量，选择AIC或BIC值最小的分布作为最优边际分布。

2. 三变量联合Copula函数的确定

Copula选择与参数估计： 假设边际分布已经确定，接下来为三变量选择一系列Copula函数，如Gaussian Copula、t-Copula、Clayton Copula等。对于每种Copula，估计其参数并计算相应的联合分布函数。
计算AIC： 类似于单变量分布，为每个Copula模型计算AIC或BIC值。这里需要注意，因为Copula函数涉及多变量，计算AIC或BIC时要考虑所有参数的总和。
确定最优Copula： 选择三变量联合分布下AIC或BIC值最小的Copula作为最优模型。

3. 计算联合概率

生成均匀随机数： 首先，利用均匀分布生成对应于三变量的随机数。
Copula反变换： 将这些均匀随机数通过选定的最优Copula的反变换函数转换成对应于三变量边际分布的概率值。
计算联合概率： 利用转换后的概率值和边际分布的累积分布函数（CDF），计算出三变量在特定点或区间上的联合概率。具体来说，如果边际CDFs为 𝐹1,𝐹2,𝐹3F1,F2,F3，而Copula反变换给出的联合概率为 𝐶(𝑢1,𝑢2,𝑢3)C(u1,u2,u3)，那么三变量在点 (𝑥1,𝑥2,𝑥3)(x1,x2,x3) 的联合概率可以通过 𝐶(𝐹1(𝑥1),𝐹2(𝑥2),𝐹3(𝑥3))C(F1(x1),F2(x2),F3(x3)) 计算得出。

通过以上步骤，你可以系统地确定单变量的最优边际分布、三变量的最优联合Copula函数，并进而计算出所需的各种联合概率，用于进一步的分析或决策支持。

📚2 运行结果

部分代码：

%% 削减后的场景三维图
subplot(1,3,1)
bar3(P_wt')
l2 = xlabel('t/h');
set(l2, 'Fontname', 'Times New Roman', 'FontSize', 20)
ylabel('场景编号');
zlabel('风电出力');

subplot(1,3,2)
bar3(P_pv')
l2 = xlabel('t/h');
set(l2, 'Fontname', 'Times New Roman', 'FontSize', 20)
ylabel('场景编号');
zlabel('光伏出力');
subplot(1,3,3)
bar3(P_sum')
l2 = xlabel('t/h');
set(l2, 'Fontname', 'Times New Roman', 'FontSize', 20)
ylabel('场景编号');
zlabel('负荷');

%% 各个场景的概率
figure(3)
bar(p)
%ylim([0, 0.30]);
xlabel('场景编号');
ylabel('概率');
set(gca, 'FontSize', 20)
no = 1;

figure(4)
[ss,gg]=meshgrid(1:n_reduction,1:24);
plot3(ss,gg,P_wt, 'linewidth', 2);
title(['考虑相关性生成的风电出力', num2str(n_reduction), '个场景'])
xlabel('场景'); ylabel('时刻');zlabel('风电出力值');
set(gca, 'FontSize', 20)
set(gca,'LineWidth',2);

figure(5)
[ss,gg]=meshgrid(1:n_reduction,1:24);
plot3(ss,gg,P_pv, 'linewidth', 2);
title(['考虑相关性生成的光伏出力', num2str(n_reduction), '个场景'])
xlabel('场景'); ylabel('时刻');zlabel('光伏出力值');
set(gca, 'FontSize', 20)
set(gca,'LineWidth',2);

figure(6)
[ss,gg]=meshgrid(1:n_reduction,1:24);
plot3(ss,gg,P_sum, 'linewidth', 2);
title(['考虑相关性生成的负荷', num2str(n_reduction), '个场景'])
xlabel('场景'); ylabel('时刻');zlabel('负荷值');
set(gca,'FontSize', 20)
set(gca,'LineWidth',2);

figure(7)
subplot(1,3,1)
for i=1:10
hold on
h=cdfplot(P_wt(:,i));
set(h,'LineStyle', '-', 'LineWidth',2)
end
title('');
grid off;
%h1=legend({'1','2','3','4','5','6','7','8','9','10'},'FontSize',16);
%xlabel('Value','FontSize',16,'fontname','Times New Roman');
%legend('Location', 'Best');
%set(h1, 'Box', 'off');
ylabel('Cumulative probability','FontSize',16,'fontname','Times New Roman');
set(gca,'fontname','Times New Roman','FontWeight','bold','FontSize',20);
set(gca,'LineWidth',1.5);

subplot(1,3,2)
for i=1:n_reduction
hold on
h=cdfplot(P_pv(:,i));
set(h,'LineStyle', '-', 'LineWidth',2)
end

title('');
grid off;
%h1=legend({'1','2','3','4','5','6','7','8','9','10'},'FontSize',16);
%xlabel('Value','FontSize',16,'fontname','Times New Roman');
%legend('Location', 'Best');
%set(h1, 'Box', 'off');
%ylabel('Cumulative probability','FontSize',16,'fontname','Times New Roman');
set(gca,'fontname','Times New Roman','FontWeight','bold','FontSize',20);
set(gca,'LineWidth',1.5);

subplot(1,3,3)
for i=1:10
hold on
h=cdfplot(P_sum(:,i));
set(h,'LineStyle', '-', 'LineWidth',2)
end
title('');
grid off;
h1=legend({'1','2','3','4','5','6','7','8','9','10'},'FontSize',16);
%xlabel('Value','FontSize',16,'fontname','Times New Roman');
legend('Location', 'Best');
set(h1, 'Box', 'off');
%ylabel('Cumulative probability','FontSize',16,'fontname','Times New Roman');
set(gca,'fontname','Times New Roman','FontWeight','bold','FontSize',20);
set(gca,'LineWidth',1.5);