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》