[论文解读] Random discrete copulas

Damjana Kokol Bukovšek, Blaž Mojškerc+1 more|arXiv (Cornell University)|Mar 14, 2026

Probability and Risk Models被引用 0

一句话总结

本论文定义并分析在等距网格上的随机离散 Copula，先通过随机置换再通过置换基 Copula 的随机凸组合来获得分布、均值和方差；同时将其扩展到单位正方形上的双线性棋盘 Copula 的依赖建模。

ABSTRACT

We introduce the notion of a bivariate random discrete copula on an equidistant mesh and explore its stochastic properties. A random discrete copula is a discrete random field, hence, its value at a given point on the mesh is a random variable. We determine the distribution of this random variable and calculate its expected value and variance. We also consider bilinear extension of a random discrete copula to a random field over the whole unit square.

研究动机与目标

• 在数据稀少或依赖可能随时间变化时，激发使用随机 Copula 来建模不确定的依赖结构。
• 引入等距网格上二元随机离散 Copula 的严格构造。
• 表征网格点处 Copula 值的分布、期望值和方差。
• 扩展为以基 Copula 的凸组合形式的一般随机离散 Copula，并分析其矩。
• 探讨将离散随机 Copula 扩展到完整单位正方形的双线性（棋盘）扩展。

提出的方法

• 在等距网格上定义二元离散 Copula，并将其与双随机矩阵（Birkhoff 多面体）相关联。
• 通过置换引入的随机离散 Copula：在每个与置换对应的方格中放置质量 1/k，并计算网格点处的值的分布。
• 证明 E[X_k(u,v)]=uv 且 Var[X_k(u,v)]=(uv(1−u)(1−v))/(k−1)。
• 推广为以均匀 Dirichlet 权重对置换基 Copula 的凸组合的随机离散 Copula；给出 E[Y_k(u,v)]=uv 且 Var[Y_k(u,v)]=uv(1−u)(1−v)/((k!+1)(k−1))。
• 通过 Dirichlet 聚合提供 Y_k(u,v) 的分布函数的显式框架，并讨论对完整单位正方形的双线性扩展。
• 讨论离散随机 Copula 的双线性棋盘扩展，并推导 E[X̂_k(u,v)]=uv 与 Var[X̂_k(u,v)]=(1/(k−1))(u(1−u)−t(1−t)/k)(v(1−v)−s(1−s)/k)。

Figure 1. Mass distribution of discrete copula $C_{\pi}$ from Example 3.3 .

实验结果

研究问题

• RQ1 如何在 Copula 模型中引入随机化以反映不确定性或时间变化的依赖？
• RQ2 在等距网格上定义的随机离散 Copula 的分布性质（分布、均值、方差）是什么？
• RQ3 以基离散 Copula（基于置换）进行的凸混合在矩和依赖结构方面的行为如何？
• RQ4 如何通过双线性（棋盘）扩展将离散随机 Copula 扩展到整个单位正方形，同时保持关键矩的性质？
• RQ5 在固定网格点处聚合离散随机 Copula 的累积分布函数形式是什么？

主要发现

• 由置换引发的随机离散 Copula 在网格点处的值的均值为 uv，方差为 uv(1−u)(1−v)/(k−1)。
• 由对置换基 Copula 的均匀 Dirichlet 权重形成的随机离散 Copula，其均值仍为 uv，方差相对于置换基情形按 1/(k!+1) 比例缩放： uv(1−u)(1−v)/((k!+1)(k−1))。
• 对任一区域 [x,x+u]×[y,y+v] 的分布与 [0,u]×[0,v] 相同，表现出网格上的平移不变性。
• 对完整单位正方形的双线性扩展保留 E[̂X_k(u,v)]=uv，并给出取决于网格单元内分数部分 t 和 s 的显式方差公式。
• 该框架使通过基 Copula 的凸组合构造随机 Copula 成为可能，支持在不指定单一 Copula 的情况下进行贝叶斯式或不精确的依赖建模。

Figure 2. The densities of the random variables $Y_{4}(u,v)$ for all $(u,v)\in\Delta_{4}$ with $u,v\notin\{0,1\}$ .