[论文解读] Generating correlated random vector by polynomial normal transformation

Qing Xiao|arXiv (Cornell University)|Aug 26, 2015

Advanced Statistical Methods and Models参考文献 10被引用 3

一句话总结

本文提出一种高阶多项式正态变换（PNT）模型，通过变换标准正态变量生成相关非正态随机向量。该方法引入概率加权矩（PWM）匹配与分位数匹配，以高效估计多项式系数，从而实现对复杂分布的精确模拟，并通过推导出的多项式方程准确保持相关性结构，实现原始空间相关性与等价正态空间相关系数之间的映射。

ABSTRACT

This paper develops a polynomial normal transformation model, whereby various non-normal probability distributions can be simulated by the standard normal distribution. Two methods are presented to determine the coefficients of polynomial model: (1) probability weighted moment (PWM) matching (2) percentile matching. Compared to the existing raw moment or L-moment matching, the proposed methods are more computationally convenient, and can be used to estimate the coefficients of polynomial model with a higher degree. Furthermore, for two correlated random variables, a polynomial equation is derived to estimate the equivalent correlation coefficient in standard normal space, and random vector with non-normal marginal distributions and prescribed correlation matrix can be generated. Finally, numerical examples are worked to demonstrate the proposed method.

研究动机与目标

• 开发一种灵活的多项式正态变换模型，能够模拟现有三阶或五阶方法无法覆盖的广泛非正态分布。
• 通过引入概率加权矩（PWM）匹配与分位数匹配，解决现有矩匹配方法在高阶多项式模型中的计算复杂性问题。
• 实现具有任意非正态边缘分布和预定相关矩阵的联合相关随机向量的精确生成。
• 推导出解析多项式方程，将原始空间中的目标相关性与等价正态空间中的相关系数关联起来。

提出的方法

• 多项式正态变换模型将非正态随机变量 X 表示为标准正态变量 Z 的多项式函数：X ≈ Σ aₖZᵏ，其中 k 从 0 到 n。
• 通过两种新方法确定系数 aₖ：(1) PWM匹配，将多项式模型的PWM与目标分布的PWM相等，形成线性系统；(2) 分位数匹配，采用最小二乘法匹配经验分位数。
• 对于相关变量，该方法利用矩积 moment 公式推导出一个多项式方程，将原始空间中期望的相关性 ρₓ 与等价正态空间中的相关性 ρ_z 联系起来。
• 该方法利用Weierstrass逼近定理，确保单调CDF变换 F⁻¹[Φ(Z)] 可在闭区间上被多项式良好逼近。
• 与传统原始矩或L矩匹配相比，该方法避免求解复杂的非线性方程组，尤其适用于高阶多项式。
• 通过首先利用推导出的多项式方程计算所需的 ρ_z，然后生成具有该相关性的标准正态偏差，再应用逆CDF变换，从而实现相关性结构的保持。

实验结果

研究问题

• RQ1 概率加权矩（PWMs）能否用于高效估计高阶多项式正态变换的系数？
• RQ2 在模拟非正态分布时，分位数匹配与PWM匹配在精度和计算可行性方面有何比较？
• RQ3 能否推导出一个闭式多项式方程，用于估计给定两个非正态变量之间目标相关性 ρ_x 时的等价正态空间相关系数 ρ_z？
• RQ4 与现有的TPNT或FPNT技术相比，该方法在模拟复杂非正态分布时，其统计保真度能提升到何种程度？

主要发现

• PWM匹配方法实现了基于线性系统的高效系数估计，计算效率显著优于非线性原始矩或L矩匹配，尤其适用于高阶多项式。
• 分位数匹配方法提供了一种鲁棒的替代方案，具有良好的精度，经数值验证，尤其适用于难以计算解析矩的情形。
• 推导出的 ρ_z 多项式方程可精确确定所需的正态空间相关性，确保生成的随机向量与目标相关矩阵一致。
• 数值示例显示，生成样本的模拟相关矩阵 Rₓ* 与目标矩阵 Rₓ 非常接近，当目标 Rₓ = [1.000, 0.900, 0.500; 0.900, 1.000, 0.300; 0.500, 0.300, 1.000] 时，Rₓ* = [1.000, 0.900, 0.499; 0.900, 1.000, 0.300; 0.499, 0.300, 1.000]。
• 该方法成功生成了具有预定非正态边缘分布和给定相关矩阵的多元随机向量，表现出高度的准确性和通用性。