Copula理论学习（一）----引例

一个例子
有两组两变量的数据集，第一组：（Xi1, Xi2）,i ∈（1, …, n），是包含1000个二维随机变量（X1，X2）的实测数据；第二组：（Yi1, Yi2）,i ∈（1, …, n），是包含1000个二维随机变量（Y1，Y2）的实测数据。散点图如图1.1所示。
现在要比较两组数据集的变量相关性，孰大孰小？

首先，计算两者的线性相关系数，分别是0.77和0.56，这似乎表明，X1与X2的相关性要比Y1与Y2的相关性要强。
相关系数实际上是剔除了两个变量量纲影响，标准化后的特殊协方差。它只能描述相关性（dependence）的一个方面，即：随机变量间线性相关的程度。
因此，为了深一步分析，计算X1与X2，Y1与Y2的边缘分布是否相似，边缘分布的计算结果如图1.2。结果表明：X1与X2服从标准正态分布，而Y1与Y2服从标准指数分布。

事实上，两个数据集在边缘分布上的差异直接影响着相关性的差异。因为（Y1，Y2）服从指数分布，大部分数据落在图框的左下角，在这个区域的高密度分布导致评估Y1和Y2的相关关系有较大难度。相反，（X1，X2）服从N(0,1)的边缘分布，在图框的分布更加分散。
如果，我们可以将两个数据集进行转换，使之变为相似的边缘分布，则相关性的比较会更加合理。

以上内容翻译自：《Elements of copula modeling with R》