Answers:
我认为您正在寻找的是copula。您有两个边际分布(由参数或经验性cdfs指定),现在您想指定两者之间的依赖关系。对于双变量情况,有各种各样的选择,但是基本配方是相同的。为了便于解释,我将使用高斯系词。
从具有相关矩阵C的高斯关联中得出
绘制
集为我= 1 ,2(与Φ标准正态累积分布函数)。现在ü 1,ü 2〜ü [ 0 ,1 ],但他们依赖。
集其中˚F - 1我是可变的边际CDF的(伪)逆我。这意味着Y i遵循期望的分布(此步骤只是逆变换采样)。
瞧!在一些简单的情况下尝试一下,看看边缘直方图和散点图,这很有趣。
但是,不能保证这适用于您的特定应用程序(特别是您可能需要用at copula替换高斯copula),但这应该可以帮助您入门。copula建模的一个很好的参考是Nelsen(1999),《 Copulas入门》,但在线上也有一些不错的入门。
另一种流行的方法是“三变量约简” 和 因此相关性是由随机变量引起的 。注意,这也可以推广到2个以上的维度,但比2维情况要复杂得多。您可能认为您只能得到正相关,但实际上您也可以通过使用 和 当生成随机变量时,这将引起分布的负相关。
第三种流行的方法是(NORTA)NORmal To Anything;生成相关的正态变量,通过评估其各自的cdfs将其变成统一的随机变量,然后将这些“新的”统一随机变量用作从新分布中生成抽签的随机性来源。
除了另一篇文章中提到的copula(一整套方法)方法之外,您还可以从最大耦合分布中取样,该分布在本质上与copula方法相似。您可以指定边际分布和最大耦合中的样本。这是通过Pierre Jacob 此处描述的2个接受/拒绝步骤来完成的。据推测,该方法可以扩展到大于2的尺寸,但实现起来可能更复杂。请注意,最大耦合将引起依赖于边际参数值的相关性。有关此问题的详细示例,请参见西安的答案。
如果您愿意接受近似(在大多数情况下)的样本,那么MCMC技术也是从多维分布中抽样的一种选择。
同样,您可以使用拒绝接受方法,但是通常很难从中找到主要的密度并评估其与所需密度的比率。
这是我能想到的所有其他方法,但我可能错过了几个。