R语言实现 Copula 建模依赖性案例分析报告

copula是将多变量分布函数与其边际分布函数耦合的函数，通常称为边缘或简单的边缘。Copula是建模和模拟相关随机变量的绝佳工具。

Copula的主要吸引力在于，通过使用它们，您可以分别对相关结构和边缘（即每个随机变量的分布）进行建模。这可能是一个优点，因为对于某些边缘组合，没有内置函数来生成所需的多变量分布。例如，在R中，很容易从多元正态分布中生成随机样本，但是对于分别其边缘分别为Beta，Gamma和Student的分布来说，这样做并不容易。
此外，正如您可以通过谷歌搜索copula看到的那样，有各种各样的模型提供了一组非常不同且可定制的相关结构，可以很容易地适应观察到的数据并用于模拟。这种多样的选择是我最喜欢copulas的事情之一。

在这篇文章中，我们将展示如何使用copula包在R中使用copula，然后我们尝试提供一个简单的应用示例。

copulas如何工作 

但首先，让我们试着了解copula的实际工作方式。
我们使用包n给出协方差矩阵，从3个随机变量的多元正态分布中生成样本。sigmaMASS

图书馆（MASS）
set.seed（100）

m < -  3
n < -  2000
西格玛< - 矩阵（c（1,0.4,0.2，
                  0.4,1，-0.8，
                  0.2，-0.8,1）， 
                nrow = 3）
z < -  mvrnorm（n，mu = rep（0，m），Sigma = sigma，empirical = T）

现在我们使用cor()和配对图检查样本相关性。
我们将设置method='spearman'为使用 而不是函数中的'pearson'方法cor()（这在我们的例子中并不是绝对必要的，因为我们将使用椭圆形copula，如果你使用非椭圆形copula，你可能想要使用Spearman的Rho或Kendall的Tau）。

库（斗志）
心病（Z，方法= '斯皮尔曼'）
pairs.panels（Z）

          [，1] [，2] [，3]
[1，] 1.0000000 0.3812244 0.1937548
[2，] 0.3812244 1.0000000 -0.7890814
[3，] 0.1937548 -0.7890814 1.0000000

输出和配对图显示我们的样本确实具有完全预期的相关结构。
​

你< -  pnorm（z）
pairs.panels（U）

这是包含在中的新随机变量的配对图u。请注意，每个分布在[0,1]区间内是均匀的。还要注意，相关性相同，实际上，我们应用的变换并没有改变随机变量之间的相关结构。基本上我们只留下通常被称为依赖结构的东西。
​
通过使用rgl库，我们可以绘制矢量的漂亮3D表示u。这非常适合演示目的，您可以轻松地围绕图形旋转，以防您想要检查不同的视角：  只需单击图片并拖动鼠标即可。

库（RGL）
PLOT3D格式（U [1]中，u [2]，U [1,3]，PCH = 20，列= 'navyblue'）

 
​
现在，作为最后一步，我们只需要选择边距并应用它们u。我选择了边缘为Gamma，Beta和Student，并使用下面指定的参数进行分配。

x1 < -  qgamma（u [，1]，shape = 2，scale = 1）
x2 < -  qbeta（u [，2]，2,2）
x3 < -  qt（u [，3]，df = 5）
PLOT3D格式（X1，