statsmodels.distributions.copula.api.GaussianCopula¶

class statsmodels.distributions.copula.api.GaussianCopula(corr=None, k_dim=2, allow_singular=False)[source]¶

高斯Copula。

它是通过使用概率积分变换从多元正态分布在 \(\mathbb{R}^d\) 上构建的。

对于给定的相关矩阵 \(R \in[-1, 1]^{d \times d}\)， 具有参数矩阵 \(R\) 的高斯copula可以写为：

\[C_R^{\text{Gauss}}(u) = \Phi_R\left(\Phi^{-1}(u_1),\dots, \Phi^{-1}(u_d) \right),\]

其中 \(\Phi^{-1}\) 是标准正态分布的逆累积分布函数，\(\Phi_R\) 是均值向量为零且协方差矩阵等于相关矩阵 \(R\) 的多变量正态分布的联合累积分布函数。

Parameters:¶

corrscalar or array_like

椭圆copula的相关性或散点矩阵。在二元情况下，corr` 可以 是 一个 标量 并且 被 视为 相关 系数。 如果 ``corr 为 None，则散点矩阵是单位矩阵。

k_dimint

维度，多元随机变量中的分量数量。

allow_singularbool

允许单一相关矩阵。 当相关矩阵为单一矩阵时的行为由 scipy.stats.multivariate_normal`决定，可能不适用于所有copula或copula分布方法。行为可能在未来的版本中发生变化。

注释

椭圆copulas要求在创建实例时设置copula参数。这些参数目前不能在调用方法时提供。（这在未来的版本中很可能会改变。）如果在方法中提供了非空的args，则会引发ValueError。args关键字是为了在不同的copulas之间提供一致的接口。

参考文献

[1]

乔，哈里，2014年，《依赖性建模与Copulas》。CRC出版社。 第163页

方法

cdf(u[, args])	在点 u 处计算的累积分布函数。
corr_from_tau(tau)	从肯德尔的tau计算皮尔逊相关系数。
dependence_tail([corr])	二元尾部依赖参数。
fit_corr_param(数据)	使用样本数据的Kendall's tau的Copula相关参数。
logpdf(u[, args])	copula pdf 的对数，对数似然。
pdf(u[, args])	copula的概率密度函数。
plot_pdf([ticks_nbr, ax])	绘制PDF。
plot_scatter([sample, nobs, random_state, ax])	采样copula并绘图。
rvs([nobs, args, random_state])	在半开区间 [0, 1) 中绘制 n。
tau([corr])	基于相关系数的二元肯德尔τ。
tau_simulated([nobs, random_state])	基于模拟样本的肯德尔τ系数。