这里是一个简单的解决方案，通过保持相关性的模拟。我们需要做的就是以受控的方式生成二进制变量（acc）（给定生成的RT值）。
由于所生成的变量值需要保持固定的相关性，因此它们两者都不能作为来自对应分布的独立样本来提取。
如果一个变量中越来越多的高值对应于另一个变量的高值，并且类似地对应于低值，则两个随机向量之间的相关性可以增加。
下面的函数gen.correlated.binary.data()从要生成的目标向量acc中的低数量的1开始，并逐渐增加对应于变量RT的高值的1的数量（通过排序来确保）。
这使RT向量保持不变，但逐渐增加变量之间的相关性。现在，一旦达到所需的相关值，就立即停止-这将创建acc向量中所需的对排序和1的比例。
最后，通过保持对应性（从而保持相关常数）来混洗向量，以生成随机acc向量。

gen.correlated.binary.data <- function(x, r) {
  n <- length(x)
  xs <- sort(x)
  ys <- c(rep(0, n-1), 1)
  rc <- cor(xs, ys)
  i <- n
  while ((rc < r) & (i > 1)) { # match sorted x with sorted y
    ys[i] <- 1
    i <- i - 1
    rc <- cor(xs, ys)
  }
  ix <- sample(1:n, n, replace=FALSE) 
  x <- xs[ix] # shuffle
  y <- ys[ix] # shuffle
  
  return(list(x=x, y=y))
}

现在，从生成的RT向量开始，生成acc向量：

set.seed(1)
n <- 2000
RTs <- brms::rshifted_lnorm(n, meanlog = log(1.3), sdlog = 0.1, shift = 0.5)
res <- gen.correlated.binary.data(RTs, 0.3)
RTs <- res$x
acc <- res$y

RTs
# [1] 1.804578 2.025394 1.750515 1.611236 1.791022 1.910226 1.714558 1.667378 1.658610
# ...
acc
# [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
# ...

cor(RTs, acc)  
# [1] 0.3035055

下图显示了生成的变量值的分布沿着相关性和stat_smooth拟合线。
x1c 0d1x下一个动画显示了如何修改acc向量以实现相关性（0.5这次是通过逐渐增加相关性），给定RT向量：

注意，RT矢量以及RT的分布是固定的，只有acc分布发生变化，因此相关性增加。

谢谢你的评论和精彩的回答。
然而，我尝试了一种不同的方法，包括模拟多元高斯，然后将其转换如下：

m <- 2
n <- 2000

sigma1 <- matrix(c(1, 0.4,
              0.4, 1), 
            nrow=2)

z1 <- mvrnorm(n,mu=rep(0, m),
         Sigma=sigma1,
         empirical=FALSE)

RT_acc1 <-
  cbind(
    0.3 + exp(z1[,1]),
    ifelse( boot::inv.logit(z1[,2]) > 0.5, 1, 0)
  )

qgraph::cor_auto(RT_acc1)

这样，相关性在0.4左右