如何在Matlab中生成指定相关系数的两个Weibull随机向量？

核心方案采用高斯Copula实现，既可以保证两个向量的边缘分布为指定参数的Weibull分布，也能精准控制二者的相依性（包括你要求的偏相关系数），具体步骤如下：

• 第一步：校准Copula相关参数
  如果需要控制的是斯皮尔曼秩相关系数等于目标ρ，高斯Copula的相关参数可以直接取ρ；如果需要控制的是皮尔逊线性相关系数或者偏相关系数等于目标ρ，先做参数校准：

  若你要求的是控制其他变量下的偏相关ρ，先通过偏相关公式反推出X、Y的零阶相关系数，再通过Weibull分布的矩属性迭代校准，得到Copula所需的相关参数ρ_copula；如果仅为两变量的偏相关（无控制变量），偏相关等价于二者的普通相关系数，直接按线性相关校准即可。

• 第二步：生成带相依性的均匀分布样本
  1. 构造2×2的高斯Copula相关矩阵：corr_mat = [[1, ρ_copula], [ρ_copula, 1]]
  2. 生成N个服从二维标准正态分布的样本Z，均值为0，协方差矩阵为上述corr_mat
  3. 对Z的每一列做标准正态累积分布（CDF）转换，得到均匀分布样本U：U = scipy.stats.norm.cdf(Z)，此时U的两列均服从(0,1)均匀分布，且保留了目标相依结构
• 第三步：转换为Weibull分布样本
  调用Weibull分布的逆CDF（分位数函数）对U的两列分别做转换，Weibull逆CDF公式为：
  Q(p) = λ * (-ln(1-p)) ** (1/k)
  其中p为均匀分布输入值，λ为尺度参数，k为形状参数，转换后得到的两列结果就是你需要的向量X和Y。

以下是Python实现的示例代码：

import numpy as np
from scipy.stats import norm, weibull_min

def generate_correlated_weibull(N, k, lam, rho_target):
    # 示例为控制斯皮尔曼秩相关为rho_target的场景，线性相关可自行添加校准逻辑
    rho_copula = rho_target
    # 构造相关矩阵
    corr_mat = np.array([[1, rho_copula], [rho_copula, 1]])
    # 生成二维正态样本
    Z = np.random.multivariate_normal(mean=[0,0], cov=corr_mat, size=N)
    # 转均匀分布
    U = norm.cdf(Z)
    # 转Weibull分布，weibull_min的c参数对应形状k，scale参数对应尺度lam
    X = weibull_min.ppf(U[:,0], c=k, scale=lam)
    Y = weibull_min.ppf(U[:,1], c=k, scale=lam)
    return X, Y

# 调用示例：N=1000，k=2，λ=1，目标相关系数0.5
X, Y = generate_correlated_weibull(N=1000, k=2, lam=1, rho_target=0.5)

内容的提问来源于stack exchange，提问作者Kinka-Byo