วิธีการตรวจสอบคุณสมบัติของเมทริกซ์ความแปรปรวนร่วมเมื่อปรับโมเดลปกติหลายตัวแปรโดยใช้ความน่าจะเป็นสูงสุด


22

สมมติว่าฉันมีรูปแบบดังต่อไปนี้

yi=f(xi,θ)+εi

ที่ , เป็นเวกเตอร์ของตัวแปรอธิบายเป็นพารามิเตอร์ของฟังก์ชันเชิงเส้น - ไม่ใช่และโดยที่ตามธรรมชาติคือคูณเมทริกซ์yiRKxiθfεiN(0,Σ)ΣK×K

เป้าหมายคือตามปกติในการประมาณการθและΣΣตัวเลือกที่ชัดเจนคือวิธีความน่าจะเป็นสูงสุด Log-โอกาสสำหรับรุ่นนี้ (สมมติว่าเรามีตัวอย่าง(yi,xi),i=1,...,n ) ลักษณะเช่น

l(θ,Σ)=n2log(2π)n2logdetΣi=1n(yif(xi,θ))Σ1(yf(xi,θ)))

ตอนนี้ดูเหมือนง่ายบันทึกความน่าจะเป็นมีการระบุใส่ข้อมูลและใช้อัลกอริทึมบางอย่างสำหรับการเพิ่มประสิทธิภาพที่ไม่ใช่เชิงเส้น ปัญหาคือวิธีการตรวจสอบให้แน่ใจว่าΣเป็นผลบวกแน่นอน การใช้ตัวอย่างoptimใน R (หรืออัลกอริทึมการเพิ่มประสิทธิภาพที่ไม่ใช่เชิงเส้นอื่น ๆ ) จะไม่รับประกันฉันว่าΣนั้นแน่นอนแน่นอน

ดังนั้นคำถามคือจะมั่นใจได้อย่างไรว่าΣยังคงเป็นไปในทางบวกแน่นอน? ฉันเห็นทางออกที่เป็นไปได้สองข้อ:

  1. ซ่อมแซมΣเป็น RRโดยที่Rคือเมทริกซ์รูปสามเหลี่ยมบนหรือสมมาตร จากนั้นΣจะเป็นค่าบวกแน่นอนเสมอและRสามารถควบคุมได้

  2. ใช้ความน่าจะเป็นของโปรไฟล์ สืบทอดมาสูตรสำหรับθ^(Σ)และΣ^(θ)theta) เริ่มต้นด้วยθ0และวนΣ^j=Σ^(θ^j1) , θ^j=θ^(Σ^j1)จนกระทั่งการบรรจบกัน

มีวิธีอื่นอีกหรือไม่และวิธีการเกี่ยวกับ 2 วิธีนี้พวกเขาจะทำงานได้มาตรฐานหรือไม่ ดูเหมือนว่าจะเป็นปัญหามาตรฐาน แต่การค้นหาอย่างรวดเร็วไม่ได้ให้คำแนะนำใด ๆ แก่ฉัน ฉันรู้ว่าการประมาณแบบเบย์จะเป็นไปได้เช่นกัน แต่ในตอนนี้ฉันไม่ต้องการมีส่วนร่วม


ฉันมีปัญหาเดียวกันในอัลกอริทึม Kalman แต่ปัญหามีความซับซ้อนมากขึ้นและไม่ง่ายที่จะใช้เคล็ดลับแฮมิลตัน ฉันสงสัยว่าสิ่งที่ง่ายกว่านั้นคือการใช้หรือไม่ วิธีนี้ฉันบังคับให้รหัสไม่ให้ข้อผิดพลาดและไม่เปลี่ยนวิธีแก้ไข สิ่งนี้ยังมีประโยชน์ในการบังคับให้คำนี้มีสัญญาณเหมือนกันกับส่วนสุดท้ายของความน่าจะเป็น ความคิดใด ๆ log(detΣ+1)
econ_pipo

คำตอบ:


6

สมมติว่าในการสร้างเมทริกซ์ความแปรปรวนร่วมคุณจะดูแลปัญหาความสมมาตรโดยอัตโนมัติบันทึกความน่าจะเป็นของคุณจะเป็นเมื่อไม่แน่นอนแน่นอนเนื่องจากคำใน ใช่มั้ย เพื่อป้องกันข้อผิดพลาดที่เป็นตัวเลขหากฉันจะคำนวณล่วงหน้าและหากไม่เป็นบวกให้สร้างโอกาสในการบันทึกเท่ากับ - ไม่เช่นนั้นจะดำเนินการต่อ คุณต้องคำนวณดีเทอร์มีแนนต์ดังนั้นนี่ไม่ได้เป็นการคิดต้นทุนเพิ่มเติมสำหรับคุณ Σlogdet Σdet Σ<0det Σ


5

ตามที่ปรากฎว่าคุณสามารถใช้โอกาสสูงสุดของโปรไฟล์เพื่อให้แน่ใจว่าคุณสมบัติที่จำเป็น คุณสามารถพิสูจน์ได้ว่าสำหรับ ,ถูกขยายให้ใหญ่สุดโดยθ^l(θ^,Σ)

Σ^=1ni=1nε^iε^i,

ที่ไหน

ε^i=yif(xi,θ^)

จากนั้นก็เป็นไปได้ที่จะแสดงให้เห็นว่า

i=1n(yif(xi,θ^))Σ^1(yf(xi,θ^)))=const,

ดังนั้นเราจะต้องเพิ่มให้สูงสุดเท่านั้น

lR(θ,Σ)=n2logdetΣ^.

โดยธรรมชาติในกรณีนี้จะตอบสนองคุณสมบัติที่จำเป็นทั้งหมด หลักฐานจะเหมือนกันสำหรับกรณีที่เป็นเส้นตรงซึ่งสามารถพบได้ในการวิเคราะห์อนุกรมเวลาโดย JD Hamilton หน้า 295 ดังนั้นฉันจึงข้ามพวกเขาΣf


3

parameterization ทางเลือกสำหรับเมทริกซ์ความแปรปรวนเป็นในแง่ของค่าลักษณะเฉพาะและ "Givens" มุม\λ1,...,λpp(p1)/2θij

นั่นคือเราสามารถเขียน

Σ=GTΛG

โดยที่คือ orthonormal และG

Λ=diag(λ1,...,λp)

กับ0λ1...λp0

ในขณะเดียวกันสามารถกำหนดพารามิเตอร์เฉพาะในแง่มุม , , โดยที่และ . [1]Gp(p1)/2θiji=1,2,...,p1j=i,...,p1

(รายละเอียดที่จะเพิ่ม)

[1]: Hoffman, Raffenetti, Ruedenberg "ลักษณะทั่วไปของมุมออยเลอร์ถึง N ‐ เมทริกซ์ฉากมุมฉากมิติ" เจคณิตศาสตร์ สรวง 13, 528 (1972)


GΣyif(xi,θ)

2

Σ=Λ+CCΛCΛΛΣΛCΣ


องค์ประกอบเส้นทแยงมุมด้านล่างในการตั้งค่านี้สามารถเป็นอะไรก็ได้ที่ฉันต้องการตราบใดที่เส้นทแยงมุมเป็นบวก? เมื่อทำการจำลองเมทริกซ์ด้วยวิธีนี้จะไม่ได้หมายความว่าทั้งหมดจะเป็นเชิงบวกแน่นอน
sztal

Λ
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.