我想用这种方法模拟具有不同相关矩阵的数据：
M = matrix(c(1.0, 0.6, 0.6, 0.6,
0.6, 1.0, -0.2, 0.0,
0.6, -0.2, 1.0, 0.0,
0.6, 0.0, 0.0, 1.0 ),
nrow=4, ncol=4)
L = chol(M)
nvars = dim(L)[1]
r = t(L) %*% matrix(rnorm(nvars * megf), nrow=nvars, ncol=megf)
r = t(r)
它适用于正相关，但我也需要负相关。为什么它不起作用？我怎样才能做到这一点？
您的相关矩阵不是正定的。这意味着真实的数据集不可能生成它。
> det(M)
[1] -0.2496
这有效并且具有负相关性：
> M=matrix(c(1.0, 0.6, 0.6, 0.6,
0.6, 1.0, -0.2, 0.3,
0.6, -0.2, 1.0, 0.3,
0.6, 0.3, 0.3, 1.0)
,nrow=4, ncol=4)
>
> det(M)
[1] 0.0528
您的代码没有运行，因为megf没有被定义。
mvrnorm()您可以通过使用MASS 包中的函数来节省一点精力。
> library(MASS)
> set.seed(1234) #Set seed for replicability
> r <- mvrnorm(n=1000, Sigma=M, mu=rep(0, 4) )
> cor(r)
[,1] [,2] [,3] [,4]
[1,] 1.0000000 0.5748690 0.6330390 0.5950443
[2,] 0.5748690 1.0000000 -0.1879727 0.2915380
[3,] 0.6330390 -0.1879727 1.0000000 0.3048610
[4,] 0.5950443 0.2915380 0.3048610 1.0000000
Cholesky 方法适用于负相关。当然，它确实需要正定矩阵，但矩阵中可以包含负元素，请参阅此示例。