Copula理论学习（四）--Frechet-Hoeffding Bounds

任何copula C 都是逐点遵循下界为lower Frechet-Hoeffding Bound W, 上届为upper Frechet-Hoeffding Bound M。W和M的公式分别为：

当d=2时，W是一个copula。而当d>=2时，M是一个copula。
定理2.2.1 Frechet-Hoeffding Bounds
对于任何d维的copula C，

令U_{U(0,1)，很容易证明，（U，1-U）}W，（U，…, U）~M
（U，1-U）的相关性为完全负相关，这种完全的负相关，无法拓展到3维及以上。如果两个随机变量是完全负相关的，那么他们无法同时与第三个变量完全负相关。换句话说，W对于3维及以上的变量，不是一个copula，即a=(1/2,1/2,…,1/2)和b(1,…,1)表明：

<0
（U，… U）的相关性是完全正相关。

例2.2.2 Frechet-Hoeffding Bounds

set.seed(1980)
U<-runif(100)#产生服从均匀分布的100个随机数
plot(cbind(U,1-U),xlab=quote(U[1]),ylab=quote(U[2]))#cbind是combind objects by columns
plot(cbind(U,U),xlab=quote(U[1]),ylab=quote(U[2]))

u<-seq(0,1,length.out=40)#subdivision points in each dimension
u12<-expand.grid("u[1]"=u,"u[2]"=u)#build a grid
W<-pmax(u12[,1]+u12[,2]-1,0)#value of W on grid
M<-pmin(u12[,1],u12[,2])#value of M on grid
val.W<-cbind(u12,"W(u[1],u[2])"=W)#append grid
val.M<-cbind(u12,"M(u[1],u[2])"=M)#append grid
wireframe2(val.W)
wireframe2(val.M)
contourplot2(val.W,xlim=0:1,ylim=0:1)
contourplot2(val.M,xlim=0:1,ylim=0:1)

在例2.14中，我们可以验证得到，当两变量Frank Copula的参数越大，散点图的分布越靠近右侧，可参考图2.4和图2.7，这就表明，Frank copula函数族在Copula W 和M之间交叉。
通过图2.7可以得到，W和M均不是完全连续的。像W和M这样的copula, 将所有的概率团均集中到一些测量值为0的范围，被称为单一singular. 同样存在Copula C 不是singular,却包含singular的成分，即，将（0,1）范围内的一部分概率分布为0值的范围的copulas。