如何在R中模拟两个具有相关性的对数正态分布变量？

完全可行，下面提供两种实现方法，一种是利用正态-对数正态的转换关系（更直观，适配你已有的代码基础），另一种是使用compositions包的rlnorm.rplus函数。

方法一：基于正态分布转换（推荐） #

对数正态分布的核心性质是：若变量X服从对数正态分布，则log(X)服从正态分布。因此可以先生成相关的正态变量，再取指数得到目标对数正态变量。

步骤1：从对数正态的均值、标准差反推正态分布参数（μ和σ） #

已知对数正态变量的均值m和标准差s，对应的正态分布参数（即log(X)的均值和标准差）可通过以下公式计算：

• 方差v = s²
• σ² = log(1 + v/m²)
• μ = log(m) - σ²/2

步骤2：生成相关正态变量并转换为对数正态 #

基于你已掌握的faux::rnorm_multi，先计算参数再生成数据：

library(faux)

# 对数正态变量的目标参数
target_m <- c(275, 2)
target_sd <- c(65, 1)
target_r <- 0.5

# 定义函数计算正态分布参数
calc_norm_params <- function(m, sd) {
  v <- sd^2
  sigma_sq <- log(1 + v / m^2)
  mu <- log(m) - sigma_sq / 2
  list(mu = mu, sigma = sqrt(sigma_sq))
}

# 计算两个变量的正态参数
params1 <- calc_norm_params(target_m[1], target_sd[1])
params2 <- calc_norm_params(target_m[2], target_sd[2])

# 生成相关正态变量
norm_data <- rnorm_multi(
  n = 10000,
  m = c(params1$mu, params2$mu),
  sd = c(params1$sigma, params2$sigma),
  r = target_r,
  empirical = FALSE
)

# 转换为对数正态变量
lnorm_data <- as.data.frame(lapply(norm_data, exp))

# 验证结果（可选）
colMeans(lnorm_data)  # 应接近目标均值275和2
apply(lnorm_data, 2, sd)  # 应接近目标标准差65和1
cor(lnorm_data)  # 应接近目标相关系数0.5

方法二：使用compositions包的rlnorm.rplus #

rlnorm.rplus函数需要的是对数后正态分布的均值向量（meanlog）和协方差矩阵（covmat），而非原始对数正态的均值和标准差，因此需要先完成参数转换，再构造协方差矩阵。

步骤1：计算对数后正态分布的参数（复用方法一的结果） #

mu_vec <- c(params1$mu, params2$mu)
sigma_vec <- c(params1$sigma, params2$sigma)

步骤2：构造协方差矩阵 #

协方差矩阵的对角线是各变量的方差（σ²），非对角线元素为相关系数 * σ1 * σ2：

cov_mat <- matrix(
  c(
    sigma_vec[1]^2, target_r * sigma_vec[1] * sigma_vec[2],
    target_r * sigma_vec[1] * sigma_vec[2], sigma_vec[2]^2
  ),
  nrow = 2,
  byrow = TRUE
)

步骤3：生成相关对数正态变量 #

library(compositions)

lnorm_data2 <- rlnorm.rplus(
  n = 10000,
  meanlog = mu_vec,
  covmat = cov_mat
)

# 验证结果（可选）
colMeans(lnorm_data2)
apply(lnorm_data2, 2, sd)
cor(lnorm_data2)

内容的提问来源于stack exchange，提问作者hotbacon