ในบริบททั่วไปที่กว้างขึ้นอีกเล็กน้อยด้วย Y n- มิติเวกเตอร์ของ y-observations (การตอบสนองหรือตัวแปรตาม) X n×p เมทริกซ์ของ x-observations (covariates หรือตัวแปรตาม) และ θ=(β1,β2,σ) พารามิเตอร์เช่นนั้น Y∼N(Xβ1,Σ(β2,σ)) ดังนั้นเครื่องหมายลบน่าจะเป็น
l(β1,β2,σ)=12(Y−Xβ1)TΣ(β2,σ)−1(Y−Xβ1)+12log|Σ(β2,σ)|
ในคำถามของ OP
Σ(β2,σ) เส้นทแยงมุมด้วย
Σ(β2,σ)ii=σ2g(zTiβ2)2
ดังนั้นปัจจัยจะกลายเป็น
σ2n∏ni=1g(zTiβ2)2 และผลลบจะกลายเป็นความน่าจะเป็น
12σ2∑i=1n(yi−xTiβ1)2g(zTiβ2)2+nlogσ+∑i=1nlogg(zTiβ2)
มีหลายวิธีในการลดฟังก์ชั่นนี้ให้น้อยที่สุด (สมมติว่าพารามิเตอร์ทั้งสามเป็นอิสระจากการเปลี่ยนแปลง)
- คุณสามารถลองลดฟังก์ชั่นให้น้อยที่สุดด้วยอัลกอริธึมการปรับให้เหมาะสมแบบมาตรฐานเพื่อระลึกถึงข้อ จำกัด ที่ σ>0.
- คุณสามารถคำนวณโปรไฟล์ลบด้วยบันทึกความน่าจะเป็นของ (β1,β2) โดยย่อให้เล็กสุด σ สำหรับการแก้ไข (β1,β2)จากนั้นเสียบฟังก์ชั่นผลลัพธ์ลงในอัลกอริธึมการปรับให้เหมาะสมแบบไม่มีเงื่อนไข จำกัด
- คุณสามารถสลับระหว่างการปรับให้เหมาะสมกับพารามิเตอร์ทั้งสามแยกกัน เพิ่มประสิทธิภาพมากกว่าσ สามารถทำการวิเคราะห์เพิ่มประสิทธิภาพมากกว่า β1 เป็นปัญหาการถดถอยกำลังสองน้อยที่สุดและเพิ่มประสิทธิภาพมากกว่า β2 เทียบเท่ากับการวางตัวแบบแกมม่าเชิงเส้นแบบทั่วไปด้วย g2 ลิงค์ผกผัน
ข้อเสนอแนะสุดท้ายดึงดูดให้ฉันเพราะมันสร้างโซลูชั่นที่ฉันรู้ดีอยู่แล้ว นอกจากนี้การทำซ้ำครั้งแรกเป็นสิ่งที่ฉันจะพิจารณาทำ นั่นคืออันดับแรกให้คำนวณการประมาณเริ่มต้นของβ1 โดยกำลังสองน้อยที่สุดธรรมดาโดยไม่สนใจความต่างศักย์แบบเฮเทอโรเคซิเดทิตี้แล้วใส่แกมม่า glm เข้ากับส่วนที่เหลือกำลังสองเพื่อให้ได้ค่าประมาณเบื้องต้นของ β2 −เพียงเพื่อตรวจสอบว่าแบบจำลองที่ซับซ้อนกว่านั้นคุ้มค่า การทำซ้ำการรวม heteroskedasticity เข้ากับวิธีการแก้ปัญหากำลังสองน้อยที่สุดเนื่องจากน้ำหนักอาจปรับปรุงตามการประมาณการ
เกี่ยวกับส่วนที่สองของคำถามฉันอาจพิจารณาการคำนวณช่วงความเชื่อมั่นสำหรับการรวมเชิงเส้น wT1β1+wT2β2 ไม่ว่าโดยใช้ asymptotics MLE มาตรฐาน (การตรวจสอบด้วยแบบจำลองที่ asymptotics ทำงาน) หรือ bootstrapping
แก้ไข:โดยasymptotics MLE มาตรฐานฉันหมายถึงการใช้การประมาณปกติหลายตัวแปรในการแจกแจงของ MLE ด้วยเมทริกซ์ความแปรปรวนร่วมของเมทริกซ์ข้อมูลฟิชเชอร์ผกผัน ข้อมูลชาวประมงโดยนิยามเมทริกซ์ความแปรปรวนร่วมของการไล่ระดับของl. มันขึ้นอยู่กับพารามิเตอร์ทั่วไป หากคุณสามารถหานิพจน์การวิเคราะห์สำหรับปริมาณนี้คุณสามารถลองเสียบใน MLE ในอีกทางหนึ่งคุณสามารถประเมินข้อมูลฟิชเชอร์โดยข้อมูลฟิชเชอร์ที่สังเกตได้ซึ่งก็คือ Hessian oflใน MLE พารามิเตอร์ที่คุณสนใจคือการรวมกันเชิงเส้นของพารามิเตอร์ในทั้งสองβ-vectors เพราะฉะนั้นจากใกล้เคียงกับหลายตัวแปรปกติของ MLE คุณสามารถหาประมาณปกติของการกระจายตัวประมาณตามที่อธิบายไว้ที่นี่ สิ่งนี้ทำให้คุณมีข้อผิดพลาดมาตรฐานโดยประมาณและคุณสามารถคำนวณช่วงความมั่นใจได้ มันอธิบายไว้อย่างดีในหนังสือสถิติ (คณิตศาสตร์) หลายเล่ม แต่งานนำเสนอที่เข้าถึงได้อย่างสมเหตุสมผลที่ฉันสามารถแนะนำได้คือIn All Likelihoodโดย Yudi Pawitan ยังไงก็ตามมาอย่างเป็นทางการของทฤษฎีที่มีความซับซ้อนอย่างเป็นธรรมและพึ่งพาจำนวนของเงื่อนไขระเบียบและมันเพียง แต่ช่วยให้ถูกต้องasymptoticการกระจาย ดังนั้นหากมีข้อสงสัยฉันจะทำการจำลองด้วยโมเดลใหม่เสมอเพื่อตรวจสอบว่าฉันสามารถไว้วางใจผลลัพธ์สำหรับพารามิเตอร์จริงและขนาดตัวอย่างได้หรือไม่ การบูตสแตรปแบบง่าย ๆ ที่ไม่ใช่พารามิเตอร์(yi,xi,zi) จากชุดข้อมูลที่สังเกตพร้อมการเปลี่ยนอาจเป็นทางเลือกที่มีประโยชน์หากขั้นตอนการติดตั้งใช้เวลาไม่นานเกินไป