Friedrich-Alexander-Universit¨ at Erlangen-N¨ urnberg
Wirtschafts-und Sozialwissenschaftliche Fakult¨at
Diskussionspapier 56 / 2003
R¨uschendorf-Copulas
Ingo Klein
Lehrstuhl f¨ur Statistik und ¨Okonometrie Lange Gasse 20 · D-90403 N¨urnberg
R¨ uschendorf-Copulas
Ingo Klein
Lehrstuhl f¨ur Statistik und ¨Okonometrie Universit¨at Erlangen-N¨urnberg
ingo.klein@wiso.uni-erlangen.de
5. Mai 2003
Literatur:
• Amblard, C. & Girard, S. (2000). Symmetry and dependence within a semiparametric family of bivariate copulas. Working Paper CRM- 2690, Univerity of Montreal.
• Fischer, M. & Klein, I. (2003). Constructing symmetric generalized FGM copulas by means of certain univariate distributions. Working Paper 50, University of Erlangen-Nuremberg.
• Lee, M.-L. T. (1996). Properties and applications of the Sarmanov family of bivariate distributions. Communications in Statistics - Theory and Methods 25, 1207-1222.
• Long,D. & Krzysztofowicz, R. (1995). A family of bivariate densi- ties constructed from marginals. Journal of the American Statistical Association 90, 739-746.
2
• Mari, D.D. & Kotz, S. (2001).Correlation and Dependence. Imperial College Press, London.
• R¨uschendorf, L. (1985). Construction of Multivariate Distributions with Given Marginals. Annals of the Institute of Statistical Mathema- tics 37, 225-233.
• Shubina, M. & Lee, M.-L. T. (2004). On maximum attainable cor- relation and other measures of dependence for the Sarmanov family of bivariate distributions. Communications in Statistics - Theory and Methods 33, 1031-1052.
R¨ uschendorf-Copulas I: Bivariater Fall Definition
4
Bivariate Copula
Seien U und V uber¨ [0,1] rechtecktverteilt, dann heißt C(u, v) = P(U ≤ u, V ≤ v) f¨ur u, v ∈ [0,1].
Copula.
Beachte:
c(u, v) = ∂2C(u, v)
∂u∂v ist die Copuladichte.
P(V ≤ v|U = u) = lim
ε→0+ P(V ≤ v < |u − ε < U ≤ u + ε)
= lim
ε→0+
P(V ≤ v <, u − ε < U ≤ u + ε) P(u − ε < U ≤ u + ε)
= lim
ε→0+
P(V ≤ v <, u − ε < U ≤ u + ε) 2ε
= ∂C(u, v)
∂u Uberschreitungswahrscheinlichkeiten:¨
C(u, v) = P(U ≥ u, V ≥ v) = 1 − 2u + C(u, v).
Survival-Copula:
Cˆ(u, v) = u + v − 1 + C(1 − u, 1 − v).
6
Beispiele:
1. Unabh¨angigkeitscopula: Π(u, v) = uv
2. Minimumscopula: W(u, v) = max(0, u + v − 1) 3. Maximumscopula: M(u, v) = min(u, v)
Konvexe Kombinationen
Wenn C1 und C2 zwei Copulas sind, ist auch
C(u, v) = θC1(u, v) + (1 − θ)C2(u, v)
= C2(u, v) + θ(C1(u, v) − C2(u, v))
= C2(u, v) + (−θ)(C2(u, v) − C1(u, v)).
eine Copula f¨ur θ ∈ [0,1].
Beispiel: B11-Copula von Joe
C(u, v) = θ min(u, v) + (1 − θ)uv = uv + θ(min(u, v) − uv).
8
Farlie-Gumbel-Morgenstern- (FGM-) Copula
C(u, v) = uv + θuv(1 − u)(1 − v) f¨ur θ ∈ [−1,1].
R¨ uschendorf-Copula
C(u, v) = uv + θF1(u, v) mit
F1(0, v) = F1(u, 0) = 0 f¨ur u, v ∈ [0,1]
F1(1, v) = F1(u, 1) = 0 f¨ur u, v ∈ [0,1].
und f¨ur 0 ≤ u1 ≤ u2 ≤ 1 und 0 ≤ v1 ≤ v2 ≤ 1
(u2−u1)(v2−v1) ≥ −θ(F1(u2, v2)−F1(u1, v2)−F1(u2, v1)+F1(u1, v1)
10
R¨ uschendorf-Copuladichte
c(u, v) = 1 + θf1(u, v) mit
f1(u, v) = ∂F1(u, v)
∂u∂v . D.h. insbesondere
Z 1 0
f1(u, v)du =
Z 1 0
f1(u, v)dv = 0 f¨ur u, v ∈ [0,1].
Problem: Es muß θ existieren, so daß
• Konvexe Kombination: f1(u, v) = c1(u, v) − c2(u, v) f¨ur θ ∈ [0,1],
• FGM: f1(u, v) = (1 − 2u(1 − 2v) f¨ur θ ∈ [−1,1].
BEACHTE: Jede Copuladichte besitzt mittels
c(u, v) = 1 + f1(u, v) mit f1(u, v) = c(u, v) − 1 eine R¨uschendorf-Darstellung mit Parameter θ = 1.
12
Covariance Characteristic und Scaler
Cov(U, V ) = θ Z 1
0
Z 1
0
uvf1(u, v)dudv.
Long & Krzysztofowicz bezeichnen
• θ als ”covariance scaler”
• und die Funktion f1 als ”covariance characteristic”.
Beide bestimmen gemeinsam die Abh¨angigkeitsstruktur der zugeh¨origen
Parameterraum
Allgemein kann man f¨ur eine vorgebenene Funktion f1
Θ(f1) = {θ|1 + θf1(u, v) ≥ 0, f¨ur alle 0 ≤ u, v ≤ 1}
den Parameterraum betrachten, f¨ur den das Konstruktionsprinzip von R¨uschendorf eine Copuladichte liefert.
Fallunterscheidung:
1. Wenn −a = inf[0,1]2{f1(u, v)} und b = sup[0,1]2{f1(uv)} (d.h. f1 ist beidseitig beschr¨ankt), dann folgt
Θ(f1) = [−1/b, 1/a].
14
2. Falls a → ∞ folgt damit
Θ(f1) = [−1/b, 0].
D.h. θ kann nur negative Werte annehmen.
3. Falls b → ∞ folgt damit
Θ(f1) = [0,1/a].
D.h. θ kann nur positive Werte annehmen.
4. Falls a → ∞ und b → ∞ folgt
H¨aufig werden Parameterbereiche pr¨aferiert, die durch −1 bzw. +1 be- schr¨ankt werden.
Dies l¨aßt sich f¨ur spezielle Copulas sehr einfach erreichen:
1. Wenn f1 beidseitig beschr¨ankt ist, dann erf¨ullt f1(u, v;a, b) = f1(u, v)
max{a, b} f¨ur u, v ∈ [0,1]
f¨ur θ ∈ [−1,1] die Eigenschaften, um eine Copuladichte zu generieren.
Beispiel: FGM-Copula
−1 ≤ f1(u, v) = (1 − 2u)(1 − 2v) ≤ 1.
16
2. Ist f1 nur einseitig beschr¨ankt, dann lassen sich f1(u, v;a) = f1(u, v)
a f¨ur u, v ∈ [0,1]
bzw.
f1(u, v;b) = f1(u, v)
b f¨ur u, v ∈ [0,1]
betrachten, damit f¨ur 0 ≤ θ ≤ 1 bzw. −1 ≤ θ ≤ 0 die Eigenschaften einer Copuladichte erf¨ullt sind.
Verallgemeinerung des Konstruktionsprinzips
R¨uschendorf hat gezeigt, daß sich die Funktion f1 einfach als f1(u, v) = f(u, v) −
Z 1
0
f(u, v)du − Z 1
0
f(u, v)dv + Z 1
0
Z 1
0
f(u, v)dudv konstruieren l¨aßt, wenn f eine beliebige ¨uber dem Einheitsquadrat nicht- negative und integrierbare Funktion ist.
Bezeichne F(u, v) = Ru 0
Rv
0 f(x, y)dydx, dann ist
F1(u, v) = F(u, v) − uF(1, v) − vF(u, 1) + uvF(1,1)
mit z.B.
F1(u,1) = F(u, 1) − uF(1,1) − F(u, 1) + uF(1,1) = 0.
18
Beispiele von R¨ uschendorf-Copulas
• Auf der Diagonalen konzentrierte Copulas
• Copulas mit polygonaler Kovarianzcharakteristik
• Allgemeine Produktcopulas
• Semiparametrische Produktcopulas nach Amblard & Girard
• Dichtegenerierte Produktcopulas nach Fischer
Auf der Diagonalen konzentrierte Copula (DC-Copula)
f(u, v) = 1
p|u − v| 0 < u 6= v < 1, so daß
f1(u, v) = 1
p|u − v| − 2√
u − 2√
1 − u − 2√
v − 2√
1 − v + 8 3.
BEACHTE: Singularit¨at f¨ur u = v.
20
F1(u, v) = 4 3
u3/2(1 − v) + v3/2(1 − u)u(1 − v)3/2 + v(1 − u)3/2 − (v − u)3/2
−v − u + 2uv f¨ur 0 ≤ u ≤ v ≤ 1
u3/2(1 − v) + v3/2(1 − u)u(1 − v)3/2 + v(1 − u)3/2 − (u − v)3/2
−v − u + 2uv f¨ur 0 ≤ v ≤ u ≤ 1
BEACHTE: Da f und entsprechend f1 nach oben nicht beschr¨ankt, aber nach unten beschr¨ankt sind, muß
Θ(f1) = [0,1/a]
sein mit −a = inf[0,1]2{f1(u, v)} = −4/3.
22
Copulas mit polygonaler Kovarianzcharakteristik (PCC-Copula)
f1(u, v) = f11(u, v) + f21(u, v) − 2K(1) mit
f11(u, v) =
κ(u − v) f¨ur u ≥ v κ(v − u) f¨ur v ≥ u und
f21(u, v) =
κ(u + v) f¨ur u ≤ 1 − v κ(2 − u − v) f¨ur u ≥ 1 − u, wobei κ eine auf [0,1] stetige und monotone Funktion und
BEACHTE: Isoquanten verlaufen parallel zur Hauptdiagonalen bzw. zur Gegendiagonalen des Einheitsquadrates.
Long & Krzysztofowicz bezeichnen κ als regression characteristic, da die zweite Ableitung, d.h. die Kr¨ummung der Regressionskurve E(U|V = v) nur durch κ bestimmt wird:
d2E(U|V = v)
dv2 = 2θ(κ(v) − κ(1 − v)) f¨ur 0 ≤ v ≤ 1.
24
PCC-Copula:
C(u, v) = uv+θ
K˜(u + v) − K˜ (u − v) − 2uvK(1) f¨ur u ≥ v, u ≤ 1 − v K˜(u + v) − K˜ (v − u) − 2uvK(1) f¨ur u ≤ v, u ≤ 1 − v K˜(2 − (u + v)) − K˜(u − v) − 2(1 − u)(1 − v)K(1)
f¨ur u ≥ v, u ≥ 1 − v K˜(2 − (u + v)) − K˜(v − u) − 2(1 − u)(1 − v)K(1)
f¨ur u ≤ v, u ≥ 1 − v.
mit K˜(ω) = R ω
0 K(t)dt.
Copula mit Power Regression Characteristic (PRC-Copula)
Power Regression Characteristic:
κ(ω) = (1 − ω)β f¨ur 0 ≤ ω ≤ 1, β > 0
Je nach dem Wert f¨ur β ergibt sich ein konkaver (0 < β < 1), linearer (β = 1) oder konvexer (β > 1) Verlauf von κ.
Parameterraum f¨ur θ:
Θ(κ) =
−β + 1
2β , β + 1 2
.
26
F¨ur die ”power regression characteristric” sind speziell K(ω) = 1
β + 1 1 − (1 − ω)β+1 und
K˜(ω) = 1
(β + 1)(β + 2) −1 + (β + 2)ω + (1 − ω)β+2 f¨ur 0 ≤ ω ≤ 1.
28
30
Allgemeine Produktcopulas (Sarmanov-Copulas)
F1(u, v) = φ(u)ψ(v) − uψ(v)φ(1) − vφ(u)ψ(1) + uvφ(1)ψ(1)
= (φ(u) − uφ(1))(ψ(v) − vψ(1))
f¨ur φ und ψ Funktionen auf [0,1] mit φ(1) < ∞ und ψ(1) < ∞.
Sind φ und ψ auf [0,1] differenzierbar mit beschr¨ankten Ableitungen φ0 und ψ0, dann existiert ein θ, so daß
0 0
Der Vorteil der Produktcopula besteht darin, daß der Parameter nicht nur die Rolle eines Kovarianzskalierers spielt, der im wesentlichen das Vor- zeichen der Abh¨angigkeit determiniert, sondern komplett die Abh¨angig- keitsstruktur festlegt.
Wenn −a = inf[0,1]2{(φ0(u) − φ(1))(ψ0(v) − ψ(1)} > −∞ und b = sup[0,1]1{φ0(u)ψ0(v)} < ∞, dann ist
Θ(f1) = [−1/b, 1/a].
32
BEISPIEL: Potenzcopula
φ0(u) = uk und ψ0(v) = vq f¨ur u, v ∈ [0,1].
Dann sind
φ(u) = 1
k + 1uk+1 und ψ(v) = 1
q + 1vq+1 f¨ur u, v ∈ [0,1],
so daß φ(1) = 1/(k + 1) und ψ(1) = 1/(q + 1). Die zugeh¨orige Copula- dichte ist dann
c(u, v;k, q) = 1 + θ
uk − 1
k + 1 vq − 1 q + 1
f¨ur
34
BEISPIEL: Produktcopula mit festem Nullpunkt F¨ur k ≥ 0 sei
φ(u;k) = 1
k + 1uk+1 1
2π sin(2πu) mit φ(0) = φ(1) = 0 und
φ0(u;k) = uk 1
2π sin(2πu) + 1
k + 1uk+1 cos(2πu).
Beachte: φ(u;k) = 0 f¨ur u = 0,1 und f¨ur u = 0.5.
Es wird die Produktcopula
c(u, v;k, q) = 1 + θuk cos(2πu)vq cos(2πv) betrachtet.
36
BEISPIEL: Produktcopula mit variablem Nullpunkt φ(u;k) = u(1 − u)(1 − ku) mit den Nullstellen u = 0,1 und u = 1/k. Es ist
φ0(u;k) = 3ku2 − 2u(k + 1) + 1.
Es wird die Produktcopula
C(u, v;k, q) = 1 + θu(1 − u)(1 − ku)v(1 − v)(1 − qv) betrachtet.
Semiparametrische Produktcopula nach Amblard &
Girard
Spezialfall einer Produktcopula mit ψ(u) = φ(u):
C(u, v;φ) = uv + θ(φ(u) − uφ(1))(φ(v) − vφ(1)) bzw.
c(u, v;φ) = 1 + θ(φ0(u) − φ(1))(φ0(v) − φ(1)), wenn ein entsprechendes θ existiert.
38
Amblard & Girard (2000) betrachten den Spezialfall einer Funktion φ∗ mit φ∗(1) = 0 und fordern weiterhin, daß Θ = [−1,1] ist.
Wenn φ eine beidseitig beschr¨ankte Ableitung φ0 besitzt, dann stellen diese Forderungen keine Beschr¨ankung der Allgemeinheit dar, da
φ∗(u) = φ(u) − uφ(1) max{a, b}
mit
−a = inf
[0,1]2
{(φ0(u) − φ(1))(φ0(v) − φ(1))}
b = sup{(φ0(u) − φ(1))(φ0(v) − φ(1))}
Bestimmte Werte von θ sichern spezielle Eigenschaften von φ bzw. (falls existent) von deren Ableitung φ0:
1. Wenn es θ 6= 0 gibt, so daß
C(u, v) = uv + θφ(u)φ(v) f¨ur u, v ∈ [0,1]
eine Copula ist, dann sind wegen C(0,0) = 0 und C(1,1) = 1 φ(0) = 0 und φ(1) = 0.
2. Weiterhin ist f¨ur θ = −1
(u2 − u1)(v2 − v1) ≥ −θ(φ(u2) − φ(u1))(φ(v2) − φ(v1)),
so daß, wenn ui = vi, i = 1,2 gesetzt wird, die Lipschitz-Bedingung
|u2 − u1| ≥ |φ(u2) − φ(u1)| f¨ur alle u1, u2 ∈ [0,1]
40
gilt. F¨ur u1 = 0 und u1 = u ∈ [0,1] ist zus¨atzlich u ≥ φ(u).
F¨ur u2 = 1 und u1 = u ∈ [0,1] ist mit φ(1) = 0 (da θ = −1 6= 0):
1 − u ≥ −φ(u) ⇐⇒ φ(u) ≤ 1 − u.
Insgesamt ist also φ(u) ≤ min{u,1 − u} f¨ur u ∈ [0,1].
3. Ebenfalls f¨ur θ = −1 ergibt sich f¨ur u ∈ [0,1]:
Somit l¨aßt sich φ insbesondere dann n¨aher charakterisieren, wenn C(u, v) = uv + θφ(u)φ(v) f¨ur θ = −1 eine Copula ist.
O.B.d.A. lassen sich aber Funktionen φ betrachten, f¨ur die C(u, v) = uv+θφ(u)φ(v) f¨ur ein θ < 0 eine Copula ist, da dann ein zugeh¨origes φ∗ konstruiert werden kann, so daß C(u, v) = uv +θφ∗(u)φ∗(v) f¨ur θ = −1 eine Copula ist.
Hinreichend daf¨ur ist, daß φ0 nach oben beschr¨ankt ist.
42
Dichtegenerierte Produktcopula nach Fischer
Zur Konstruktion von Copulas nach dem Verfahren von Amblard & Gi- rard eignen sich besonders solche Funktionen mit φ(0) = φ(1) = 0.
Prinzipiell besitzen viele Dichtefunktionen, deren Tr¨ager die reellen Zah- len sind und f¨ur die limx→−∞ f(x) = limx→∞ f(x) = 0 gilt, diese Eigenschaften, wenn sie an der Stelle der Quantilsfunktion
φf(u) = f(F−1(u)) f¨ur u ∈ (0,1).
und der Grenz¨ubergang
Die zugeh¨orige Copula lautet f¨ur geeignete θ
C(u, v;θ, f) = uv + θf(F−1(u))f(F−1(v)) f¨ur u, v ∈ [0,1]
Die Copuladichte ist, sofern f differenzierbar ist:
c(u, v;θ, f)(u, v) = 1+θ
−f0
f (F−1(u)) −f0
f (F−1(v))
f¨ur u, v ∈ [0,1].
D.h. die Copuladichte wird durch die Scorefunktion −f0/f bestimmt.
F¨ur die Existenz der Copula f¨ur θ = −1 ist allerdings entscheidend, daß diese Scorefunktion nach oben beschr¨ankt ist.
44
Damit kommen sofort einige Dichtefamilien nicht mehr in Frage. Zu ihnen geh¨ort die Power Exponential Family
f(x) = k1 exp −k2|x|k3
f¨ur x ∈ R,
wobei k1 > 0, k2 > 0 und k3 ≥ 2 so gew¨ahlt sind, daß f(x) eine Dichte darstellt.
Die zugeh¨orige Scorefunktion ist ein Polynom mindestens 1. Grades und beidseitig unbeschr¨ankt.
Zu dieser Verteilungsfamilie geh¨ort auch die Standardnormalverteilung.
Fischer (2003) behandelt die Beispiele der Laplace-, der logistischen, der hyperbolischen Sekant- und der Cauchy-Verteilung, die allesamt zu in der Literatur wohlbekannten Copulas f¨uhren.
Diese Funktionen sind s¨amtlich symmetrisch.
46
Das folgende Beispiel diskutiert mit der Gumbelverteilung eine asymme- trische Verteilung:
Es ist
F(x) = exp −e−x
f¨ur x ∈ R, so daß
f(x) = e−xF(x) f¨ur x ∈ R und
−f0(x)
f(x) = 1 − e−x f¨ur x ∈ R sind.
D.h. die Scorefunktion besitzt den Wert 1 als kleinste obere Schranke, ist aber nach unten nicht beschr¨ankt.
Mit der zugeh¨origen Quantilsfunktion
F−1(u) = − ln(−ln(u)) f¨ur u ∈ (0,1]
ist
φf(u) = f F−1(u)
= ulnu f¨ur u ∈ (0,1].
F¨ur u → 0+ ist φf(0) ≡ limu→0+ ulnu = 0.
48
Welche Dichten generieren Potenzcopulas?
Die zu einer Funktion φ zugeh¨orige Dichte f errechnet sich durch L¨osen der Differentialgleichung
F0(F−1(u)) = φ(u) ⇐⇒ F0(x) = φ(F(x)) nach F.
Diese Differentialgleichung l¨aßt sich z.B. f¨ur die in der Potenzcopula auftretenden Funktion
φ(u) = 1
k + 1u 1 − uk
durch ¨Uberf¨uhren in einer Bernoullische Differentialgleichung explizit l¨osen.
50
Die L¨osung lautet
F(x) = k
1 + Ce−k/(k+1)x
−k ,
wobei C derart, daß F die Eigenschaften einer Verteilungsfunktion be- sitzt.
Beweis: Setze y = F(x) und y0 = f(x). Dann ist zu l¨osen y0 − 1
k + 1y = − 1
k + 1yk+1. Division durch yk+1 ergibt
y0
yk+1 − 1
k + 1y−k = − 1 k + 1.
Substituiert man z = y−k, so ist z0 = −ky−(k+1)y0, so daß
−1
kz0 − 1
k + 1z = − 1 k + 1.
Multipliziert man mit −k, so ergibt sich ein Spezialfall der einfachen Differentialgleichung 1. Ordnung
z0 + P(x)z = Q(x),
52
deren L¨osung
z = e−
R P(x)dx
Z
Q(x)e
R P(x)dx
dx + C
lautet (siehe z.B. Bronstein & Semendjajew). Mit P(x) = Q(x) = k/(k + 1) ist
z = e−k/(k+1)x
k k + 1
Z
ek/(k+1)xdx + C
= 1 + Ce−k/(k+1)x.
Substituiert man y = zk zur¨uck, so ist schließlich
R¨ uschendorf-Copulas II: Bivariater Fall Eigenschaften
54
Eigenschaften
• Symmetrie
• Abh¨angigkeitseigenschaft
• Abh¨angigkeitsordnung
• Abh¨angigkeitsmaße
• Tailabh¨angigkeit
Symmetriekonzepte
1. Austauschbarkeit: X und Y heißen austauschbar, wenn (X, Y ) und (Y, X) dieselbe Verteilung besitzen.
2. Marginale Symmetrie: (X, Y ) heißt marginal symmetrisch um (a, b), wenn die Verteilung von X − a und a − X bzw. Y − b und b − Y dieselbe Verteilung besitzen.
3. Radiale Symmetrie: (X, Y ) heißen radialsymmetrisch um (a, b), wenn (X − a, Y − b) und (a − X, b − Y ) dieselbe Verteilung besitzen.
4. Gemeinsame Symmetrie: (X, Y ) heißen gemeinsam symmetrisch um (a, b), wenn wenn (X − a, Y − b) und (a − X, b − Y ) (X − a, b − Y ) und (a − X, Y − b) dieselbe Verteilung besitzen.
56
Spezialfall: Copulas
Da Copulas Verteilungsfunktionen zweier Zufallsvariablen U und V uber¨ [0,1]2 mit Rechteckverteilungen als Randverteilungen sind, liegt margi- nale Symmetrie von (U, V ) um (1/2,1/2) vor.
Radiale Symmetrie ist gegeben, wenn
P(U − 1/2 ≤ x, V − 1/2 ≤ y) = P(U ≤ x + 1/2, V ≤ y + 1/2)
= P(1/2 − U ≤ x, 1/2 − V ≤ y)
= P(U ≥ 1/2 − x, V ≥ 1/2 − y) f¨ur x, y ∈ [−1/2,1/2] sind.
Gemeinsame Symmetrie einer Copula C liegt vor, wenn zus¨atzlich zur radialen Symmetrie
C(u, v) = u − C(u, 1 − v) = v − C(1 − u, v) f¨ur u, v ∈ [0,1]
gilt.
58
Symmetrie der R¨ uschendorf-Copula
F¨ur die R¨uschendorf-Copula liegt Radialsymmetrie vor, wenn F1(u, v) = F1(1 − u, 1 − v) ist, da dann
C(u, v) = uv + θF1(u, v)
= u + v − 1 + (1 − u)(1 − v) + θF1(1 − u, 1 − v)
= u + v − 1 + C(1 − u, 1 − v) f¨ur 0 ≤ u, v ≤ 1 ist.
BEISPIEL: Betrachte
F1(u, v) = min(u, v) − uv f¨ur 0 ≤ u, v ≤ 1.
Dann ist
F1(1 − u,1 − v) = min(1 − u, 1 − v) − (1 − u)(1 − v) Sei o.B.d.A. u < v, dann ist 1 − u > 1 − v und
F1(1 − u,1 − v) = 1 − v − (1 − u)(1 − v) = (1 − v)(1 − (1 − u))
= u(1 − v) = min(u, v) − uv = F1(u, v).
60
Gemeinsame Symmetrie der R¨uschendorf-Copula ist gegeben, wenn
F1(u, v) = F1(1−u,1−v) = −F1(u,1−v) = −F1(1−u, v) f¨ur u, v ∈ [0,1]
gelten, da dann z.B.
u − C(u, 1 − v) = u − u(1 − v) − θF1(u,1 − v) = uv − θF1(u,1 − v)
= uv + θF1(u, v) = C(u, v)
f¨ur u, v ∈ [0,1] ist. Analog kann v − C(1 − u, v) = C(u, v) untersucht werden.
BEISPIEL: Betrachte die FGM-Copula mit
F1(u, v) = u(1 − u)v(1 − v).
Dann sind
F1(u, v) = u(1 − u)v(1 − v) = (1 − u)u(1 − v)v = F1(1 − u, 1 − v) F1(u, v) = u(1 − u)(1 − v)v = F1(u,1 − v)
F1(u, v) = (1 − u)uv(1 − v) = F1(1 − u, v), so daß
F1(u, v) 6= −F1(u,1 − v) f¨ur u, v 6= 1/2 ist.
D.h. die FGM-Copula ist zwar radial, aber nicht gemeinsam symmetrisch.
62
BEISPIEL: Betrachte eine verallgemeinerte FGM-Copula mit F1(u, v) = u(1 − u)(1 − 2u)v(1 − v)(1 − 2v).
Beachte: 1 − 2u = −(1 − 2(1 − u)).
Damit ist zwar F1(u, v) = F1(1 − u,1 − v). Es gilt aber auch F1(u, v) = −F1(u, 1 − v) = −F1(1 − u, v).
D.h. diese verallgemeinerte FGM-Copula ist gemeinsam symmetrisch.
64
Symmetrie der ”diagonal concentrated copula”
F¨ur
F1(u, v) = 4 3
u3/2(1 − v) + v3/2(1 − u) + u(1 − v)3/2 + v(1 − u)3/2 − (v − u)3/2
−v − u + 2uv f¨ur 0 ≤ u ≤ v ≤ 1
u3/2(1 − v) + v3/2(1 − u)u(1 − v)3/2 + v(1 − u)3/2 − (u − v)3/2
−v − u + 2uv f¨ur 0 ≤ v ≤ u ≤ 1
ist offensichtlich F1(u, v) = F1(1 − u, 1 − v), da aus 0 ≤ u ≤ v ≤ 1 0 ≤ 1 − v ≤ 1 − u ≤ 1 folgt und (1 − u − (1 − v)) = v − u gilt.
66
Weiterhin ist
F1(u,1−v) = 4 3
u3/2v + (1 − v)3/2(1 − u) + uv3/2 + (1 − v)(1 − u)3/2
−((1 − v) − u)3/2 − (1 − v) − u + 2u(1 − v) f¨ur 0 ≤ u ≤ 1 − v ≤ 1
u3/2v + (1 − v)3/2(1 − u)uv3/2 + (1 − v)(1 − u)3/2
−(u − (1 − v))3/2 − (1 − v) − u + 2u(1 − v) f¨ur 0 ≤ 1 − v ≤ u ≤ 1
Setze u = 1/4 und v = 1/3, dann sind
F1(u, v) =
1 4
3/2 2 3
+
3 4
1 3
3/2 +
1 4
2 3
3/2
3 4
3/2 1 3
−
1 12
3/2
− 1
4
− 1
3
+ 2 1
4
1 3
= 0.1395 und
F1(u,1 − v) =
1 4
3/
L2 1 3
+
3 4
2 3
3/2 +
1 4
1 3
3/2 3 4
3/2 2 3
−
5 12
3/2
− 1
4
− 2
3
+ 2 1
4
2 3
= 0.0782, womit F1(1/4,1/3) 6= −F1(1/4,2/3), so daß keine gemeinsame Sym- metrie vorliegt.
68
Symmetrie der PCC-Copula
F¨ur die ”Polygonal Covariance Characteristic”-Copula ist
F1(u, v) =
K˜(u + v) − K˜ (u − v) − 2uvK(1) f¨ur u ≥ v, u ≤ 1 − v K˜(u + v) − K˜ (v − u) − 2uvK(1)
f¨ur u ≤ v, u ≤ 1 − v
K˜(2 − (u + v)) − K˜(u − v) − 2(1 − u)(1 − v)K(1) f¨ur u ≤ v, u ≥ 1 − v
K˜(2 − (u + v)) − K˜(v − u) − 2(1 − u)(1 − v)K(1) f¨ur u ≥ v, u ≥ 1 − v.
F¨ur u ≥ v und u ≤ 1−v sind, ist 1−u ≤ 1 −v und 1−u ≥ 1−(1−v), so daß
F1(1 − u,1 − v) = K˜(2 − (1 − u + (1 − v))) − K˜(1 − v − (1 − u))
−2(1 − (1 − u))(1 − (1 − v))K(1)
= K˜(u + v) − K˜ (u − v) − 2uvK(1) = F1(u, v).
Analog lassen sich die anderen drei F¨alle abarbeiten, so daß die PCC- Copula f¨ur jede Wahl von κ radial symmetrisch ist.
Allerdings lassen sich wieder sehr einfach u und v derart w¨ahlen, daß F1(u, v) 6= −F1(u, 1 − v), womit die PCC-Copula im allgemeinen keine gemeinsame Symmetrie aufweist.
Diese Ergebnisse gelten nat¨urlich insbesondere f¨ur den Spezialfall der
”Power Regression Characteristic”-Copula.
70
Symmetrie der allgemeinen Produktcopula
Betrachte C(u, v;φ, ψ) = uv + θφ(u)ψ(v) f¨ur u, v ∈ [0,1]. Somit ist F1(u, v) = φ(u)ψ(v).
Hinreichende und notwendige Bedingung f¨ur die radiale Symmetrie von C ist F1(u, v) = F1(1 − u,1 − v) f¨ur u, v ∈ [0,1], d.h.
φ(u)ψ(v) = φ(1 − u)ψ(1 − v).
Hinreichende Bedingungen f¨ur radiale Symmetrie sind offensichtlich φ(u) = φ(1 − u) und ψ(v) = ψ(1 − v) bzw. φ(u) = −φ(1 − u) und ψ(v) = −ψ(1 − v).
1. Ist φ(1/2) 6= 0 folgt aus φ(u)ψ(v) = φ(1−u)ψ(1−v) f¨ur u, v ∈ [0,1]
ψ(v) = ψ(1 − v) f¨ur v ∈ [0,1].
Dann ist aber auch φ(u) = φ(1 − u). Analog verh¨alt es sich, wenn ψ(1/2) 6= 0 ist. Somit ist im Falle φ(1/2) 6= 0 oder ψ(1/2) 6= 0 notwendig f¨ur radiale Symmetrie, daß
φ(u) = φ(1 − u) und ψ(v) = ψ(1 − v) f¨ur u, v ∈ [0,1]
gelten.
2. Wenn φ(1/2) = ψ(1/2) = 0 ist und es existiert ein u∗ ∈ [0,1] oder ein v∗ ∈ [0,1] mit φ(u∗) = φ(1 − u∗) oder ψ(v∗) = ψ∗(1 − v∗), dann sind offensichtlich ebenfalls
φ(u) = φ(1 − u) und ψ(v) = ψ(1 − v) f¨ur u, v ∈ [0,1]
72
notwendig sein.
3. Verbleibt der Fall φ(1/2) = ψ(1/2) = 0 und φ(u) 6= φ(1 − u) und ψ(u) 6= ψ(1 − u) f¨ur u 6= 1/2. Existiert ein u∗ ∈ [0,1] oder v∗ ∈ [0,1]
mit φ(u∗) = −φ(1 − u∗) oder ψ(v∗) − ψ(1 − v∗), dann sind
φ(u) = −φ(1 − u) und ψ(v) = −ψ(1 − v) f¨ur u, v ∈ [0,1]
notwendig f¨ur radiale Symmetrie.
4. Schließlich gibt es noch den Fall φ(1/2) = ψ(1/2) = 0 und |φ(u)| 6=
|φ(1 − u)| und |ψ(u)| 6= |ψ(1 − u)| f¨ur u 6= 1/2. Dann ist
Es sind weiterhin
F1(u, v) = −F1(u,1 − v) ⇐⇒ φ(u)(ψ(v) + ψ(1 − v)) = 0 und
F1(u, v) = −F1(1 − u, v) ⇐⇒ ψ(v)(φ(u) + φ(1 − u)) = 0 f¨ur alle u, v ∈ [0,1].
Wenn es ein u∗ ∈ [0,1] und ein v∗ ∈ [0,1] gibt mit φ(u∗) 6= 0 und ψ(v∗) 6= 0, dann ist hinreichend und notwendig f¨ur die gemeinsame Symmetrie von C(u, v;φ, ψ), daß
φ(u) = −φ(1 − u) und ψ(v) = −ψ(1 − v) f¨ur u, v ∈ [0,1]
gelten.
74
Somit folgt mit φ(1/2) 6= 0 bzw. ψ(1/2) 6= 0, daß keine gemeinsame Symmetrie vorliegen kann.
Spezialfall: Potenzcopula
Wir betrachten die Potenzcopula mit φ(u) = 1
k + 1u uk − 1
und ψ(v) = 1
q + 1v (vq − 1) f¨ur u, v ∈ [0,1].
Es sind φ(1/2) 6= 0 und ψ(1/2) 6= 0. Damit kann keine gemeinsame Symmetrie der Produktcopula vorliegen.
F¨ur radiale Symmetrie m¨ussen φ(u) = 1
k + 1u uk − 1
= 1
k + 1(1 − u) (1 − u)k − 1
= φ(1 − u) f¨ur alle u ∈ [0,1] sein.
76
Dies kann aber nur sein, wenn
uk+1 − 2u + 1 = (1 − u)k+1 u ∈ [0,1]
ist, was nur f¨ur k = 1 erf¨ullbar ist.
D.h. nur
φ(u) = 1
2u(u − 1) und ψ(v) = 1
2v (v − 1) f¨ur u, v ∈ [0,1].
liefert eine radial symmetrische Copula.
Symmetrie der Produktcopula nach Amblard & Girard
Amblard & Girard (2000) diskutieren ebenfalls radiale und gemeinsame Symmetrie ihrer semiparametrischen Copula C(u, v) = uv + θφ(u)φ(v).
Als Spezialfall der allgemeinen Produktcopula ergibt sich sofort, daß hinreichend f¨ur radiale Symmetrie ist, daß φ(u) = φ(1 − u) f¨ur u ∈ [0,1]
oder φ(u) = −φ(1 − u) f¨ur u ∈ [0,1] gelten.
Da φ(u)2 = φ(1−u)2 f¨ur u ∈ [0,1] ist, folgt f¨ur u∗ ∈ [0,1], daß entweder φ(u∗) = φ(1 − u∗) oder φ(u∗) = −φ(1 − u∗) sind.
78
Damit entf¨allt der vierte Fall, in dem f¨ur die allgemeine Produktcopula nicht gezeigt werden konnte, daß
φ(u) = φ(1 − u) und ψ(v) = ψ(1 − v) f¨ur u, v ∈ [0,1]
oder
φ(u) = −φ(1 − u) und ψ(v) = −ψ(1 − v) f¨ur u, v ∈ [0,1]
notwendig f¨ur radiale Symmetrie sind.
Damit ist φ(u) = φ(1 − u) f¨ur u ∈ [0,1] oder φ(u) = −φ(1 − u) f¨ur u ∈ [0,1] hinreichend und notwendig f¨ur radiale Symmetrie von C(u, v;φ).
Amblard & Girard (2000) geben einige Beispiele f¨ur die Funktion φ an, die sich bez. radialer und gemeinsamer Symmetrie klassifizieren lassen:
1. φ(u) = u(1− u) liefert radiale, aber keine gemeinsame Symmetrie f¨ur
−1 ≤ θ ≤ 1.
2. φ(u) = u(1 − u)(1 − 2u) ergibt eine Copula mit gemeinsamer Sym- metrie f¨ur −1 ≤ θ ≤ 1.
3. φ(u) = −ulnu f¨uhrt zu keiner radial symmetrischen Copula f¨ur 0 ≤ θ ≤ 0.3769.
80
Produktcopula nach Fischer
Der Ansatz von Fischer schließt zun¨achst gemeinsam symmetrische Co- pulas aus, da −f(F−1(1 − u)) ≤ 0 f¨ur alle u ∈ [0,1] sein muß.
Ausgehend von einer um 0 symmetrischen Dichtefunktion ist allerdings f(F−1(u)) = f(F−1(1 − u)) f¨ur u ∈ [0,1],
so daß dann radiale Symmetrie vorliegen muß. Umgekehrt folgt aus dieser Bedingung, daß die zugrunde liegende Dichte symmetrisch um 0 sein muß.
Abh¨ angigkeitseigenschaft
Seien (X, Y ) Zufallsvariablen mit der gemeinsamen Verteilung FX,Y und der gemeinsamen Dichte fX,Y.
1. P F D: X und Y heißen ”positive function dependent”, wenn f¨ur jede integrierbare reellwertige Funktion g gilt:
Cov(g(X)g(Y )) = E(g(X)g(Y )) − E(g(X))E(g(Y )) ≥ 0.
2. P QD: X und Y heißen ”positive quadrant dependent”, wenn gilt:
P(X ≤ x, Y ≤ y) ≥ P(X ≤ x)P(Y ≤ y) f¨ur alle x, y ∈ R.
3. LT D(Y |X): Y heißt ”left tail decreasing in X”, wenn gilt:
P(Y ≤ y|X ≤ x) ist nicht abnehmend in x f¨ur alle y ∈ R.
82
4. RT I(Y |X): Y heißt ”right tail increasing in X”, wenn gilt:
P(Y > y|X > x) ist nicht abnehmend in x f¨ur alle y ∈ R.
5. SI(Y |X): Y heißt ”stochastically increasing in X”, wenn gilt:
P(Y > y|X = x) ist nicht abnehmend in x f¨ur alle y ∈ R.
6. LCSD: X und Y heißen ”left corner set decreasing”, wenn gilt:
P(X ≤ x, Y ≤ y|X ≤ x0, Y ≤ y0) ist nicht zunehmend in x0 und y0
7. RCSI: X und Y heißen ”right corner set increasing”, wenn gilt:
P(X > x, Y > y|X > x0, Y > y0) ist nicht abnehmend in x0 und y0 f¨ur alle x, y ∈ R.
8. T P2: (X, Y ) besitzen die ”total positivity of order 2-Eigenschaft, wenn gilt:
fX,Y (x1, y1)fX,Y (x2, y2) − fX,Y(x1, y2)fX,Y(x2, y1) f¨ur alle x1, x2, y1, y2 ∈ R mit x1 ≤ x2 und y1 ≤ y2.
X, Y werden auch likelihood ratio dependent (LRD) genannt.
84
Abh¨ angigkeitseigenschaften von Copulas
• Bedingungen f¨ur Tail-Monotonie:
LT D(Y |X) ⇐⇒ C(u, v)
u nichtzunehmend in u bzw.
LT D(Y |X) ⇐⇒ P(V ≤ v|U = u) = ∂C(u, v)
∂u ≤ C(u, v) u .
bzw.
RT I(Y |X) ⇐⇒ v − C(u, v)
1 − u nichtzunehmend in u bzw.
RT I(Y |X) ⇐⇒ P(V ≤ v|U = u) = ∂C(u, v)
∂u ≥ v − C(u, v) 1 − u .
86
• Stochastically Increasing:
SI(Y |X) ⇐⇒ P(V ≤ v|U = u) = ∂C(u, v)
∂u nicht zunehmend in u bzw.
SI(Y |X) ⇐⇒ C(u, v) konkav in u
• Corner Set Eigenschaften:
LCSD(X, Y ) ⇐⇒ C(u, v)C(u0, v0) ≥ C(u, v0)C(u0, v) f¨ur alle u, u0, v, v0 ∈ [0,1] mit u < u0, v < v0.
bzw.
RCSI(X, Y ) ⇐⇒ C(u, v)C(u0, v0) ≥ C(u, v0)C(u0, v) f¨ur alle u, u0, v, v0 ∈ [0,1] mit u < u0, v < v0.
88
Beachte:
LCSD(X, Y ) ⇐⇒ C ist TP2 und
RCSI(X, Y ) ⇐⇒ Cˆ ist TP2.
• Totally Positivity of order 2 (TP2):
c(u, v) c(u, v0) c(u0, v) c(u0, v0)
≥ 0 f¨ur alle u < u0, v < v0.
• Ubersicht der Zusammenh¨¨ ange:
90
• Beachte: Die PQD-Eigenschaft ist die schw¨achste Eigenschaft, die aus allen anderen folgt.
D.h.: Liegt sie nicht vor, kann auch keine der anderen Abh¨angigkeits- eigenschaften erf¨ullt sein.
92
Abh¨ angigkeitseigenschaften von R¨ uschendorf-Copulas
Allgemeine Voraussetzung: θ > 0.
• X und Y sind im allgemeinen nicht P F D,
Cov(g(X)g(Y )) = Cov(g(F−1(U)), g(F−1(V ))
= θ
Z Z
g(u)g(v)f1(u, v)dudv.
• Positive Quadranten Eigenschaft (PQD):
• Tail-Monotonie:
LT D(X, Y ) ⇐⇒ θF1(u, v)
u monoton nichtzunehmend in u
⇐⇒ ∂F1(u, v)
∂u ≤ F1(u, v)
u .
RT I(X, Y ) ⇐⇒ θF1(u, v)
1 − u monoton nichtabnehmend in u
⇐⇒ ∂F1(u, v)
∂u ≥ F1(u, v) 1 − u .
94
• Stochastically Increasing:
SI(Y |X) ⇐⇒ θ∂2F1(u, v)
∂u2 ≤ 0.
D.h. f¨ur θ > 0 muß F1(u, v) konkav und f¨ur θ < 0 konvex in u sein.
• Corner Set Eigenschaften:
LCSD(X, Y ) ⇐⇒ θ(F1(u2, v2)F1(u1, v1) − F1(u1, v2)F1(u2, v1))
≥ −u2v2F1(u1, v1) − u1v1F1(u2, v2) +u1v2F1(u2v1) − u2v1F1(u1v2)
f¨ur u1, u2, v1, v2 ∈ [0,1] mit u1 < u2, v1 < v2.
Die TP2-Eigenschaft f¨ur F1 reicht nicht aus, um die LCSD-Eigenschaft zu sichern.
F¨ur die RCSI-Eigenschaft wird
Cˆ(u, v) = u − (1 − v) + (1 − u)(1 − v) + θF1(1 − u, 1 − v)
= (1 − u)(1 − v) + θF1(1 − u, 1 − v) ben¨otigt.
96
• Totally Positivity of order 2 (TP2):
T P2(X, Y ) ⇐⇒ θ(f1(u2, v2)f1(u1, v1) − f1(u1, v2)f1(u2, v1))
≥ −f1(u1, v1) − f1(u2, v2) + f1(u2v1) − f1(u1v2).
Abh¨ angigkeitseigenschaften von Produktcopulas
Allgemeine Voraussetzung: θ > 0.
• X und Y sind im allgemeinen nicht P F D,
Cov(g(X)g(Y )) = Cov(g(F−1(U)), g(F−1(V ))
= θ
Z Z
g(u)g(v)φ0(u)ψ0(v)dudv
= θ Z 1
0
g(u)φ0(u)du Z 1
0
g(v)ψ0(v)dv
98
Hinreichende und notwendige Bedingung f¨ur die PQD-Eigenschaft:
P QD(X, Y ) ⇐⇒ θφ(u)ψ(v) ≥ 0
Daß nicht jede Produktcopula doe PQD-Eigenschaft besitzt, zeigen die Beispiel der Copulas mit fixem und variablem Nullpunkt.
Notwendige Bedingung f¨ur die PQD-Eigenschaft:
P QD(X, Y ) =⇒ θφ(u)ψ(u) ≥ 0
D.h.: sign(φ(u)) = sign(ψ(u)).
Diese notwendige Bedingung wird von der Copula mit festem Null- punkt, aber nicht von der Copula mit variablem Nullpunkt erf¨ullt.
100
102
• Beachte: Wenn aber sign(φ(u)) 6= sign(ψ(u)), dann gilt nicht P QD(X, Y ) und damit auch keine der anderen Abh¨angigkeitseigen- schaften außer u.U. P F D(X, Y ).
• Sei φ(u∗) 6= 0 f¨ur ein u∗ ∈ [0,1] und ψ(v∗) 6= 0 f¨ur ein v∗ ∈ [0,1].
Eine hinreichende und notwendige Bedingung f¨ur P QD(X, Y ) liefert:
φ(u) ≥ 0 und ψ(v) ≥ 0 f¨ur u, v ∈ [0,1]
oder
φ(u) ≤ 0 und ψ(v) ≤ 0 f¨ur u, v ∈ [0,1]
Beweis: Sei φ(u)ψ(v) ≥ 0 f¨ur alle u, v ∈ [0,1].
1. Wenn es ein u∗ gibt mit φ(u∗) > 0, dann ist ψ(v) ≥ 0 f¨ur alle v ∈ [0,1].
2. Wenn es ein u∗ gibt mit φ(u∗) < 0, dann ist ψ(v) ≤ 0 f¨ur alle v ∈ [0,1].
3. Wenn es ein v∗ gibt mit ψ(v∗) > 0, dann ist φ(u) ≥ 0 f¨ur alle u ∈ [0,1].
4. Wenn es ein v∗ gibt mit φ(u∗) < 0, dann ist φ(u) ≤ 0 f¨ur alle u ∈ [0,1].
Da die PQD-Eigenschaft eine notwendige Bedingung f¨ur die anderen Abh¨angigkeitseigenschaften ist, wird im folgenden vorausgesetzt, daß φ und ψ entweder gemeinsam nichtnegativ oder gemeinsam nichtpositiv sind.
104
BEISPIEL: Potenzcopula
φ(u) = u(uk − 1) ≤ 0 und ψ(v) = v(vq − 1) ≤ 0 f¨ur u, v ∈ [0,1].
• Tail-Monotonie: Setzt man
F1(u, v) = φ(u)ψ(v)
in die hinreichende und notwendige Bedingung f¨ur die LT D- und RT I-Eigenschaft ein, folgt sofort
LT D(Y |X) ⇐⇒ F1(u, v)
u monoton nichtzunehmend in u
⇐⇒ φ(u)
u ψ(v) monoton nichtzunehmend in u 1. Wenn ψ nichtnegativ ist, muß φ(u)/u monoton nichtzunehmend
sein.
2. Wenn ψ nichtpositiv ist, muß φ(u)/u monoton nichtabnehmend sein.
106
D.h.
LT D(Y |X) ⇐⇒ φ(u)/u monoton.
LT D(X|Y ) ⇐⇒ ψ(v)/v monoton.
LT D(X|Y ) und LT D(Y |X) ⇐⇒ φ(u)/u und ψ(v)/v
gemeinsam nichtabnehmend oder gemeinsam nichtzunehmend.
RT I(Y |X) ⇐⇒ F1(u, v)
1 − u monoton nichtzunehmend in u
⇐⇒ φ(u)
1 − uψ(v) monoton nichtzunehmend in u
RT I(X|Y ) und RT I(Y |X) ⇐⇒ φ(u)/(1 − u) und ψ(v)/(1 − v) gemeinsam monoton nichtabnehmend oder gemeinsam nichtzunehmend.
108
BEISPIEL: Potenzcopula
φ(u)/u = uk − 1 monoton nichtabnehmend in u bzw.
φ(u)/(1 − u) = uuk − 1
1 − u = monoton nichtabnehmend in u,
da (uk − 1) und u/(1 − u) monoton nichtabnehmend sind, ist die Potenzcopula LT D und RT I-abh¨angig.
• Stochastically Increasing:
SI(Y |X) ⇐⇒ ∂2F1(u, v)
∂u2 ≤ 0
⇐⇒ ψ(v)φ00(u) ≤ 0.
Da ψ(v) ≥ 0 f¨ur alle v ∈ [0,1] oder ψ(v) ≤ 0 f¨ur alle v ∈ [0,1] sein muß, gilt
SI(Y |X) ⇐⇒ φ konkav oder konvex.
Da φ und ψ ¨uberall gemeinsam nichtnegativ oder ¨uberall gemeinsam nichtpositiv sind, folgt:
SI(Y |X) und SI(X|Y ) ⇐⇒ φ und ψ
gemeinsam konkav oder gemeinsam konvex.
110
BEISPIEL: Potenzcopula
Es sind ψ(v) ≤ 0 f¨ur v ∈ [0,1] und
φ00(u) = (k + 1)kuk−1 ≥ 0 f¨ur u ∈ [0,1].
• Corner Set Eigenschaft LCSD:
LCSD(X, Y ) ⇐⇒ θ(F1(u2, v2)F1(u1, v1) − F1(u1, v2)F1(u2, v1))
≥ −u2v2F1(u1, v1) − u1v1F1(u2, v2) +u1v2F1(u2v1) − u2v1F1(u1v2)
f¨ur u1, u2, v1, v2 ∈ [0,1] mit u1 < u2, v1 < v2.
112
D.h.
LCSD(X, Y ) ⇐⇒ φ(u2)ψ(v2)φ(u1)ψ(v1) − φ(u1)ψ(v2)φ(u2)ψ(v1)
≥ 1
θ(−u2v2φ(u1)ψ(v1) − u1v1φ(u2)ψ(v2) + u1v2φ(u2)ψ(v1) − u2v1φ(u1)ψ(v2)) f¨ur u1, u2, v1, v2 ∈ [0,1] mit u1 < u2, v1 < v2.
Dann ist
LCSD(X, Y ) ⇐⇒
φ(u2)
u2 − φ(u1) u1
ψ(v2)
v2 − ψ(v1) v1
u1u2v1v2 ≥ 0 f¨ur u1, u2, v1, v2 ∈ [0,1] mit u1 < u2, v1 < v2.
Wenn φ(u2)/u2 ≥ φ(u1)/u1) ist, dann folgt ψ(v2)/v2 ≥ ψ(v1)/v1 f¨ur alle v1 < v2, so daß ψ(v)/v monoton nichtabnehmend ist. Insgesamt gilt:
LCSD(X, Y ) ⇐⇒ φ(u)/u und ψ(v)/v
gemeinsam nichtabnehmend oder gemeinsam nicht zunehmend
⇐⇒ LT D(Y |X) und LT D(X|Y ).
114
BEISPIEL: Potenzcopula
Die gleichgerichtete Monotonie von φ(u)/u = uk−1 und ψ(v) = vq−1 sichert LCSD(X, Y ).
• Corner Set Eigenschaft RCSI:
Analog RSCI(X, Y ):
RCSI(X, Y ) ⇐⇒ φ(u)/(1 − u) und ψ(v)/(1 − v) gemeinsam nichtabnehmend oder gemeinsam nicht zunehmend
⇐⇒ RT I(Y |X) und RT I(X|Y ).
116
• Totally Positivity of Order 2 (TP2):
Es ist
f1(u, v) = φ0(u)ψ0(v), so daß
T P2(X, Y ) ⇐⇒ (φ0(u2) − φ0(u1)(ψ0(v2) − ψ0(v1)) ≥ 0 f¨ur u1 ≤ u2 und v1 ≤ v2.
Damit m¨ussen φ0 und ψ0 gemeinsam monoton nichtabnehmend oder gemeinsam monoton nichzunehmend sein, so daß gilt:
T P2(X, Y ) ⇐⇒ φ und ψ
Zusammenfassung:
118
Abh¨ angigkeitseigenschaften von Produktcopulas nach Amblard & Girard
Die Bedingungen f¨ur die Abh¨angigkeitseigenschaften entsprechen bis auf eine Ausnahme denen der Produktcopulas.
Ausnahme: Produktcopulas nach Amblard & Girard besitzen stets die P F D-Eigenschaft.
Cov(g(X)g(Y )) = Cov(g(F−1(U)), g(F−1(V )) = θ
Z Z
g(u)g(v)φ0(u)φ0(v)dudv Z 1 2
Abh¨ angigkeitseigenschaften von Produktcopulas nach Fischer
Werden φ und ψ durch Dichtefunktionen f bzw. g entsprechend φ(u) = f(F−1(u)) ≥ 0 f¨ur alle u ∈ [0,1]
und
ψ(v) = g(G−1(u)) ≥ 0 f¨ur alle v ∈ [0,1]
erzeugt, folgt sofort die P QD-Eigenschaft, da φ(u)ψ(v) ≥ 0 f¨ur u, v ∈ [0,1] ist.
120
Sind f0/f(F−1(u)) und g0/g(G−1(v)) gemeinsam monoton nichtabneh- mend oder gemeinsam monoton nichtzunehmend, dann folgen die T P2- und damit alle anderen Abh¨angigkeitseigenschaften.
BEISPIEL: F¨ur die Cauchy-Verteilung sind f(F−1(u)) = 1
π
1
1 + (tan(π ∗ (u − 1/2)))2
und f0
f (F−1(u)) = −sin(2πu),
so daß keine LT D- und keine T P2-Eigenschaft vorliegen kann.
Problem: W¨ahle f, so daß LT D- aber keine T P2-Eigenschaft vorliegt.
122
Globale Abh¨ angigkeitsmaße
• (Linearer) Korrelationskoeffizient
• Volumenmaß
• Rangkorrelationskoeffizient von Spearman
• Pangkorrelationsloeffizient von Kendall
• Rangkorrelationskoeffizient von Blest
(Linearer) Korrelationskoeffizient (allgemein)
corr(X1, X2) = E
X1 − µ1) σ1
X2 − µ2 σ2
124
Grenzen des linearen Korrelationskoeffizienten f¨ ur Produktcopulas
f(x1, x2) = f1(x1)f2(x2)(1 + θφ∗(x1)ψ∗(x2))
mit Z
φ∗(x1)f1(x1)dx1 = Z
ψ∗(x2)f2(x2)dx2 = 0.
und
φ∗(x1) = φ(F1(x1)) und ψ∗(x2) = ψ(F2(x2)) bzw.
φ(u) = φ∗(F1−1(u)) und ψ(v) = ψ(F2−1(v))
Linearer Korrelationskoeffizient (Lee (1996)):
corr(X1, X2) = θ R1
0 F1−1(u)φ(u)duR 1
0 F2−1(v)ψ(v)dv σ1σ2
126
Seien −1 ≤ −h1 ≤ φ(u) ≤ 1 und −1 ≤ −h2 ≤ ψ(v) ≤ 1 und setze L(hi) = −E
Xi − µi
σi |Fi(X) ≥ h 1 + h
U(hi) = −E
Xi − µi
σi |Fi(X) ≤ h 1 + h
,
dann sind (Shubina & Lee (1994)):
L(h1) ≤ R 1
0 F1−1(u)φ(u)du
σ1 ≤ U(h1) und
R1 −1
Setze weiterhin
L(h1, h2) = min(L1(h1)U2(h2), L2(h2)U1(h1)) und
U(h1, h2) = max(L1(h1)L2(h2), U1(h1)U2(h2)), dann ist
min
−U(h1, h2), L(h1, h2) max(h1, h2)
≤ corr(X1, X2) ≤ max
−L(h1, h2), U(h1, h2) max(h1, h2)
.
128
BEISPIEL: Exponentialverteilung
L(h) = − ln(1 + h) undU(h) = hln((1 + h)/h).
−0.4804 ≤ corr(X1, X2) ≤ 0.6476 (f¨ur h = 0.2550).
Spezialfall: Symmetrische Dichten
− U(h1, h2)
max(h1, h2) ≤ corr(X1, X2) ≤ U(h1, h2) max(h1, h2).
Maximal erreichbarer Bereich f¨ur den linearen Korrelationskoeffizienten:
−max
h
U(h, h)
h ≤ corr(X1, X2) ≤ max
h
U(h, h) h .
130
BEISPIEL: [0,1]-Rechteckverteilung U(h, h)
h = 3h
1 + h)2,
ist monoton zunehmend auf [0,1], so daß f¨ur h = 1
−3
4 ≤ corr(X1, X2) ≤ 3 4.
BEISPIEL: Normalverteilung
−2
π ≤ corr(X1, X2) ≤ 3 4.
132