วิธีการทดสอบว่าเมทริกซ์ความแปรปรวนร่วมเป็นศูนย์หรือไม่?


11

พื้นหลังของการศึกษาของฉัน :

ในการสุ่มตัวอย่างกิ๊บส์เมื่อเราสุ่มตัวอย่าง (ตัวแปรที่สนใจ) และจากและตามลำดับโดยที่และเป็นเวกเตอร์สุ่มมิติ เรารู้ว่ากระบวนการนั้นมักจะแบ่งออกเป็นสองขั้นตอน:XYP(X|Y)P(Y|X)XYk

  1. ระยะเวลาการเผาไหม้ที่เราทิ้งตัวอย่างทั้งหมด แสดงว่ากลุ่มตัวอย่างเป็นและY_tX1XtY1Yt
  2. "After-Burn-in" ประจำเดือนซึ่งเราทำการหาค่าเฉลี่ยตัวอย่างเป็นผลลัพธ์สุดท้ายที่เราต้องการX¯=1ki=1kXt+i

อย่างไรก็ตามตัวอย่างในลำดับ "after-burn-in"ไม่ได้ถูกแจกจ่ายอย่างอิสระ ดังนั้นหากฉันต้องการตรวจสอบความแปรปรวนของผลลัพธ์สุดท้ายมันก็จะกลายเป็นXt+1Xt+k

Var[X¯]=Var[i=1kXt+i]=1k2(i=1kVar[Xt+i]+i=1k1j=i+1kCov[Xt+i,Xt+j])

ที่นี่มีคำCov[Xt+i,Xt+j]เป็นk×kข้ามแปรปรวนเมทริกซ์ใช้กับใด ๆ(i,j)กับi<j<J

ตัวอย่างเช่นฉันมี

Xt+1=(1,2,1)Xt+2=(1,0,2)Xt+3=(1,0,0)Xt+4=(5,0,1)

จากนั้นฉันสามารถประมาณเมทริกซ์ความแปรปรวนร่วมด้วยCov[Xt+i,Xt+i+1]

13i=13(Xt+iμt+i)(Xt+i+1μt+i+1)

ตอนนี้ผมกำลังสนใจในการประมาณค่าถ้าส่งผลอย่างมีนัยสำคัญที่ไม่ใช่ศูนย์เพื่อที่ฉันจำเป็นต้องใส่มันลงไปในการประมาณค่าความแปรปรวนของฉัน{X}]Var[X¯]

ดังนั้นคำถามของฉันมาที่นี่ :

  1. เราตัวอย่างจากi}) เนื่องจากกำลังเปลี่ยนแปลงฉันคิดว่าและไม่ได้มาจากการกระจายเดียวกันดังนั้นไม่ได้เป็นเช่นเดียวกับi}] คำสั่งนี้ถูกต้องหรือไม่ P ( X t + i | Y t + i ) Y t + i X t + i X t + i + 1 Cov [ X t + i , X t + j ] Cov [ X t + i , X t + i ]Xt+iP(Xt+i|Yt+i)Yt+iXt+iXt+i+1Cov[Xt+i,Xt+j]Cov[Xt+i,Xt+i]
  2. สมมติว่าฉันมีข้อมูลเพียงพอที่จะประมาณ (ตัวอย่างข้างเคียงตามลำดับ) จะมีวิธีทดสอบว่าเมทริกซ์ความแปรปรวนร่วมมีนัยสำคัญหรือไม่ เมทริกซ์ที่ไม่เป็นศูนย์? พูดอย่างกว้าง ๆ ฉันสนใจในตัวบ่งชี้ที่ชี้แนะฉันไปยังเมทริกซ์การแปรปรวนร่วมที่มีความหมายซึ่งควรรวมอยู่ในการประมาณค่าความแปรปรวนสุดท้ายCov[Xt+i,Xt+i+1]

4
จริงๆแล้วตอนนี้ดูเหมือนคำถามที่ค่อนข้างดี ฉันคิดว่าคนอื่นจะได้รับคำตอบที่ดีกว่าฉันดังนั้นฉันจึงอยากจะโปรโมตสิ่งนี้ (ให้ความสำคัญกับมัน) เมื่อมีสิทธิ์ในไม่ช้า [คำตอบสั้น ๆ : 1. โควาเรียสสองคนนั้นต่างกัน 2. คุณไม่จำเป็นต้องทดสอบว่าตัวแปรที่อยู่ติดกันนั้นมีความสัมพันธ์กันหรือไม่ (ในทุกกรณี แต่เป็นกรณีที่น่ารำคาญที่สุดนั่นคืออัลกอริธึมทำงานโดยการสร้างตัวแปรตาม) - น่าสนใจกว่าในการวัดความสัมพันธ์มากกว่าทดสอบ;] ... ถ้า คำตอบที่ดีจะไม่ปรากฏขึ้นฉันจะขยายความคิดเห็นสั้น ๆ เหล่านั้นเป็นคำตอบแบบเต็ม
Glen_b

4
ดูเหมือนว่าคำถามของคุณจะกว้างกว่าคำถามของคุณ โดยเฉพาะการตอบคำถามชื่อของคุณมีการทดสอบ sphericity ของ Bartlett ที่ช่วยให้ทดสอบว่าเมทริกซ์ความแปรปรวนร่วมตัวอย่างเป็นแนวทแยง คุณอาจจำเป็นต้องปรับให้เข้ากับสถานการณ์ความแปรปรวนร่วมของคุณ ("เมทริกซ์ความแปรปรวนร่วม" ของคุณไม่ใช่เมทริกซ์ความแปรปรวนร่วมจริง ๆ , มันคือเมทริกซ์ความแปรปรวนร่วมข้าม, มันเป็นบล็อกนอกแนวขวางของเมทริกซ์ความแปรปรวนร่วมทั้ง X_t และ X_ { t + 1} พร้อมกัน) CC ถึง @Glen_b
อะมีบา

2
ฉันจะเพิ่มว่าความแปรปรวนร่วมมีแนวโน้มที่จะสลายตัวทางเรขาคณิตมากขึ้นหรือน้อยลง (มากขึ้นเพื่อที่คุณจะย้ายออกไปไกลกว่า); ค่าที่ห่างกันในเวลามีแนวโน้มที่จะมีความสัมพันธ์ที่ต่ำมาก ( ไม่เป็นศูนย์ แต่ส่วนใหญ่จะไม่สนใจ) ในขณะที่ค่าที่อยู่ใกล้กันอาจจะต้องพึ่งพากัน
Glen_b -Reinstate Monica

1
@Tom 1. อย่างไรก็ตามด้วยชุดเครื่องเขียนที่ความล่าช้ามาก (4 ไม่ไกล!) จะเกิดอะไรขึ้นกับ ACF 2. คุณจะรู้ว่าบางสิ่งบางอย่างเกี่ยวกับค่าวิธีการที่สร้างขึ้นจาก MCMC ทำงานที่คุณไม่สามารถพูดเกี่ยวกับอนุกรมเวลาโดยพล ... พวกเขากำลังMarkovian คุณจะทราบว่าความคิดเห็นก่อนหน้าของฉันไม่ได้อ้างว่าความล่าช้าที่ใกล้ที่สุดจะต้องแสดงการสลายตัวทางเรขาคณิต (เช่นฉันไม่ได้บอกว่ามันเป็นไปไม่ได้ที่จะเห็นความสัมพันธ์ที่สูงขึ้นเมื่อล่าช้า 4 กว่า 3) คุณจะยังคงได้รับ (หากมีเงื่อนไขบางอย่าง) แนวโน้มที่จะเกิดการสลายตัวทางเรขาคณิตใน ACF ขณะที่คุณเคลื่อนที่ห่างกัน
Glen_b -Reinstate Monica

2
หากระยะเวลาการสุ่มตัวอย่างของคุณสั้นเกินไปคุณไม่มีการประมาณการความแปรปรวนร่วมที่แม่นยำสูงคุณอาจต้องจัดการกับข้อเท็จจริงที่ว่าการประมาณค่าข้อกำหนดความแปรปรวนร่วมของคุณมีข้อผิดพลาดมาตรฐานขนาดใหญ่ ด้วยความเข้าใจในปัจจุบันของฉันฉันยิ่งขอยืนยันคำคัดค้านของฉันเพื่อทดสอบความสัมพันธ์ การทดสอบสมมติฐานสำหรับความสัมพันธ์ที่เป็นศูนย์เทียบกับที่ไม่เป็นศูนย์ไม่ได้ช่วยแก้ปัญหาของคุณที่นี่
Glen_b -Reinstate Monica

คำตอบ:


1
  1. เราตัวอย่างจากi}) เนื่องจากกำลังเปลี่ยนแปลงฉันคิดว่าและไม่ได้มาจากการกระจายแบบเดียวกัน [... ] P ( X t + i | Y t + i ) Y t + i X t + i X t + i + 1Xt+iP(Xt+i|Yt+i)Yt+iXt+iXt+i+1

คุณกำลังสับสนกับการแจกแจงแบบมีเงื่อนไขและไม่มีเงื่อนไขที่นี่ดูคำพูดของฉันต่อไป มีเงื่อนไขในและ ,y_2) แต่จุดทั้งการสร้างตัวอย่างกิ๊บส์ของคุณคือการตัวอย่างจากการกระจายนิ่งของและYถ้าคุณใช้สายโซ่ของคุณนานพอและติดตามการกระจายแบบคงที่คุณสามารถพูดว่า หมายความว่าการกระจายไม่มีเงื่อนไขนั้นก็คงที่เช่นกัน ในคำอื่น ๆ เช่นY t + i ) = Y P ( X t | Y tYt+i=y1 P( X t + i | Y t + i = y 1 )P( X t + i + 1 | Y t + i + 1 = y 2 )XY{ Y t } P ( X tYt+i+1=y2P(Xt+i|Yt+i=y1)P(Xt+i+1|Yt+i+1=y2)XY{Yt} XttP(Xt+i|Yt+i)=P(Xt+i+1|Yt+i+1)Yt+iYt+i

P(Xt)=YP(Xt|Yt)dP(Yt),
Xttและเรามารวมกันกับการแจกแจงแบบคงที่,ตั้งแต่และจะ asymptotically จะมาจาก (คน! เดียวกัน) กระจายนิ่ง(Y_t) ในทางตรงกันข้ามและเป็นมาก่อนเมื่อเราเงื่อนไขการและนี้จะไม่ถืออีกต่อไปโดยไม่คำนึงถึงวิธีการที่มีขนาดใหญ่เป็นP(Xt+i|Yt+i)=P(Xt+i+1|Yt+i+1)Yt+i P( Y t ) Y t + i = y 1 Y t + i + 1 = y 2 tYt+i+1P(Yt)Yt+i=y1Yt+i+1=y2t

[... ] ดังนั้นไม่เหมือนกับ . คำสั่งนี้ถูกต้องหรือไม่Cov [ X t + i , X t + i ]Cov[Xt+i,Xt+j]Cov[Xt+i,Xt+i]

ใช่มันถูกต้อง - แม้ว่าคือและมีการแจกแจงแบบคงที่เหมือนกัน ฉันรู้ว่านี่อาจทำให้เกิดความสับสน แต่ทนกับฉัน กำหนดกับ(0,1) จากการแทนที่ซ้ำเราสามารถแสดงให้เห็นว่าและเนื่องจาก (จำนวนอนันต์) ของบรรทัดฐานยังคงเป็นปกติมันถือว่าและ2}) เห็นได้ชัดว่าและ X t X t + 1 Y t = 0.8Xt+1XtXtXt+1Yt=0.8Yt1+εtεtiidN(0,1)Yt=i=0t0.8iεti Yเสื้อฉันฉันวันที่~N(0,1Var(Yt)=i=0t0.82i=110.82YtYt+1Yt+1YtXtYtiidN(0,110.82)YtYt+1จะยังคงมีความสัมพันธ์กัน แต่จะมาจากการแจกแจงแบบเดียวกัน ( ) สถานการณ์คล้ายกันถือสำหรับคุณX_tYt+1YtXt

  1. สมมติว่าฉันมีข้อมูลเพียงพอที่จะประมาณ (ตัวอย่างข้างเคียงตามลำดับ) จะมีวิธีทดสอบว่าเมทริกซ์ความแปรปรวนร่วมมีนัยสำคัญหรือไม่ เมทริกซ์ที่ไม่เป็นศูนย์? พูดอย่างกว้าง ๆ ฉันสนใจในตัวบ่งชี้ที่ชี้แนะฉันไปยังเมทริกซ์การแปรปรวนร่วมที่มีความหมายซึ่งควรรวมอยู่ในการประมาณค่าความแปรปรวนสุดท้ายCov[Xt+i,Xt+i+1]

ถ้าคุณสังเกตอย่างมากมายไม่สิ้นสุดพวกเขาทั้งหมดจะมีความหมายในที่สุด เห็นได้ชัดว่าคุณไม่สามารถทำสิ่งนี้ได้ในทางปฏิบัติ แต่มีวิธีการ 'ตัดออก' การขยายหลังจากคำศัพท์บางคำดูคำตอบที่ยอดเยี่ยมที่ยอมรับได้ที่นี่ โดยทั่วไปคุณจะกำหนดเคอร์เนลที่สลายตัวเป็นและกำหนดน้ำหนักให้กับเมทริกซ์ความแปรปรวนร่วมแรกที่คุณสามารถคำนวณได้ หากคุณต้องการเลือกมีหลักการคุณจะต้องขุดลงไปในวรรณกรรม แต่โพสต์ที่ฉันเชื่อมโยงจะให้การอ้างอิงที่ดีเพื่อให้คุณทำอย่างนั้น0 l T l Tk()0lTlT

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