假设(X,Y)是二维实值随机向量,边缘分布函数分别为F(x)=Pr(X<x)和G(y)=Pr(Y<y)。根据Sklar(1959)[10]定理,则(X,Y)的联合分布为
其中C 为联合分布函数,边缘分布(U,V)=(F(x),G(y))∈(0,1)2 为均匀分布。事实上,一般未知H 的解析式,在F,G 和C属于确定的分布函数簇的条件下,利用MLE等经典的统计推断方法建立三者之间的解析式关系。因此,从C的解析式明确了(X,Y)之间的相依结构,改变X,Y 的边缘分布不会影响C的函数形式。然而在未知F,G 和C所属的分布函数簇时,常常利用边缘分布的经验分布对潜在Copula进行统计推断。假设(X 1,Y 1),…,(X T,Y T)是从未知分布H 中抽取的T 组样本,(R i,S i)表示(X i,Y i)秩序统计量,经验分布函数为[F T(X i),G T(Y i)]=(R i/T,S i/T),i∈{1,…,T}。易见,(R i/T,S i/T)表示从C(u,v)中随机抽取的不可观测边缘分布(U i,V i)的样本值,容易证明c(u,v)∈L 2(R 2)。由于样本的经验分布是其无偏估计量,因此将其代替真实的边缘分布,对(X,Y)的Copula密度c(u,v)进行统计推断。再利用式(5.3)、(5.6)和(5.7),可得:
其中系数分别为
注意c(u,v)是二元概率密度函数,因此αj 0,k和β的样本矩估计为(www.xing528.com)
在适当尺度J max≥j 0≥1,对式(5.9)截断得到c(u,v)的线性估计量为
由于Copula密度的尺度截断量c j 0在正方形[0,1]2 的某些区域内可能取负值,使得其积分和小于1。因此,线性估计量j 0 未必是一个标准的Copula密度,但可以规范化为一个Copula密度。线性估计量j 0 明确地将潜在Copula密度分解为趋势估计量和水平、垂直、对角等三个方向上的细节估计量,基于分解尺度的变化,该估计量逐步识别出真实Copula的主体趋势和局部细节的动态演进特征。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。