Correlaciones alcanzables para variables aleatorias lognormales


19

Considere las variables aleatorias lognormales y con y .X1X2log(X1)N(0,1)log(X2)N(0,σ2)

Estoy tratando de calcular y para \ rho (X_1, X_2) . Un paso en la solución dada que tengo es:ρmaxρminρ(X1,X2)

ρmax=ρ(exp(Z),exp(σZ)) y ρmin=ρ(exp(Z),exp(σZ)) ,

pero han hecho algunas referencias a la comonotonicidad y la contracomonotonicidad. Esperaba que alguien me ayudara a entender cómo son relevantes. (Sé cómo obtener esto de la expresión general, pero quiero saber específicamente lo que decían las partes de comonotonicidad).


8
Quienes son"?
whuber

Respuestas:


25

Comenzaré proporcionando la definición de comonotonicidad y contramonotonicidad . Luego, mencionaré por qué esto es relevante para calcular el coeficiente de correlación mínimo y máximo posible entre dos variables aleatorias. Y finalmente, calcularé estos límites para las variables aleatorias lognormales X1 y X2 .

Comonotonicidad y contramonotonicidad
Se dice que las variables aleatorias son comonotónicas si su cópula es el límite superior de Fréchet M ( u 1 , ... , u d ) = min ( u 1 , ... , u d ) , que es El tipo más fuerte de dependencia "positiva". Se puede demostrar que X 1 , ... , X dX1,,Xd M(u1,,ud)=min(u1,,ud)
X1,,Xdson comonotónicos si y solo si d = denota igualdad en la distribución. Entonces, las variables aleatorias comonotónicas son solo funciones de una sola variable aleatoria. donde Z es una variable aleatoria, h 1 , , h d son funciones crecientes, y

(X1,,Xd)=d(h1(Z),,hd(Z)),
Zh1,,hd=d

Se dice que las variables aleatorias son contramonotónicas si su cópula es el límite inferior de Fréchet W ( u 1 , u 2 ) = max ( 0 , u 1 + u 2 - 1 ) , que es el tipo más fuerte de " "negativa" en el caso bivariado. La contramonotonocidad no se generaliza a dimensiones superiores. Se puede demostrar que X 1 , X 2 son contramonotónicos si y solo si (X1,X2 W(u1,u2)=max(0,u1+u21)
X1,X2 donde Z es una variable aleatoria, y h 1 y h 2 son respectivamente una función creciente y una función decreciente, o viceversa.

(X1,X2)=d(h1(Z),h2(Z)),
Zh1h2

Correlación alcanzable
Sea y X 2 dos variables aleatorias con variaciones estrictamente positivas y finitas, y deje que ρ min y ρ max denoten el coeficiente de correlación mínimo y máximo posible entre X 1 y X 2 . Entonces, se puede demostrar queX1X2ρminρmaxX1X2

  • si y solo si X 1 y X 2 son contramonotónicos;ρ(X1,X2)=ρminX1X2
  • si y solo si X 1 y X 2 son comonotónicos.ρ(X1,X2)=ρmaxX1X2

Correlación alcanzable para variables aleatorias lognormales
Para obtener usamos el hecho de que la correlación máxima se alcanza si y solo si X 1 y X 2 son comonotónicos. Las variables aleatorias X 1 = e Z y X 2 = e σ Z donde Z N ( 0 , 1 ) son comonotónicas ya que la función exponencial es una función (estrictamente) creciente, y por lo tanto ρ max = c o r r (ρmaxX1X2X1=eZX2=eσZZN(0,1)ρmax=corr(eZ,eσZ).

El uso de las propiedades de variables aleatorias lognormal , tenemos , E ( e σ Z ) = e σ 2 / 2 , v un r ( e Z ) = e ( e - 1 ) , v a r ( e σ Z ) = e σ 2 ( e σE(eZ)=e1/2E(eσZ)=eσ2/2var(eZ)=e(e1)var(eσZ)=eσ2(eσ21), and the covariance is

cov(eZ,eσZ)=E(e(σ+1)Z)E(eσZ)E(eZ)=e(σ+1)2/2e(σ2+1)/2=e(σ2+1)/2(eσ1).
Thus,
ρmax=e(σ2+1)/2(eσ1)e(e1)eσ2(eσ21)=(eσ1)(e1)(eσ21).

Similar computations with X2=eσZ yield

ρmin=(eσ1)(e1)(eσ21).

Comment
This example shows that it is possible to have a pair of random variable that are strongly dependent — comonotonicity and countermonotonicity are the strongest kind of dependence — but that have a very low correlation. The following chart shows these bounds as a function of σ.

enter image description here

This is the R code I used to produce the above chart.

curve((exp(x)-1)/sqrt((exp(1) - 1)*(exp(x^2) - 1)), from = 0, to = 5,
      ylim = c(-1, 1), col = 2, lwd = 2, main = "Lognormal attainable correlation",
      xlab = expression(sigma), ylab = "Correlation", cex.lab = 1.2)
curve((exp(-x)-1)/sqrt((exp(1) - 1)*(exp(x^2) - 1)), col = 4, lwd = 2, add = TRUE)
legend(x = "bottomright", col = c(2, 4), lwd = c(2, 2), inset = 0.02,
       legend = c("Correlation upper bound", "Correlation lower bound"))
abline(h = 0, lty = 2)

7
(+6) Nice thorough exposition and well illustrated. It is interesting that attempts to confirm your chart through simulation will be doomed when σ is much larger than 3 because the sample correlation coefficient is extremely variable (due to the chance of getting one extremely high value of X2, which will have high leverage). That places a higher value than usual on a solid theoretical analysis.
whuber

5
This exposition is an adaptation of Example 2.1 (pg. 23) of M. Denuit and J. Dhaene (2003), Simple characterizations of comonotonicity and countermonotonicity by extremal correlations, Belgian Actuarial Bulletin, vol. 3, 22-27.
cardinal

3
@cardinal I wasn't aware of this article, thanks. Other potential references include ebooks.cambridge.org/… or McNeil, A. J., Frey, R. and Embrechts, P. (2005). Quantitative Risk Management: Concepts, Techniques and Tools. Princeton: Princeton University Press.
QuantIbex

2
The example goes back to at least R. D. De Veaux (1976), Tight upper and lower bounds for correlation of bivariate distributions arising in air pollution models, Tech. Report 5, Dept. of Statistics, Stanford University. See Section 3 starting on page 6. The underlying tools were known to Hoeffding.
cardinal

@QuantIbex in your proof there's something unclear to me. You first claim that X1 and X2 are comonotonic if and only if their joint distribution is equal to (h1(Z),h2(Z)), for h1,h2 increasing, etc., but when you apply this result to the lognormal random variables, you say that this implies that the random variables themselves are such that X1=eZ and X1=eσZ, i.e., it seems you apply the claim to the random variables themselves, not just their distributions. How is it?
RandomGuy
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.