คำถามนี้เกี่ยวกับการประมาณค่าความน่าจะเป็นสูงสุด (REML) ที่ จำกัด ในรุ่นเฉพาะของตัวแบบเชิงเส้นกล่าวคือ:
ที่เป็น ( ) เมทริกซ์ parametrized โดยที่เป็น ) เป็นเวกเตอร์ที่ไม่รู้จักพารามิเตอร์รำคาญ; ที่น่าสนใจคือในการประมาณและเรามี n การประมาณแบบจำลองโดยโอกาสสูงสุดไม่มีปัญหา แต่ฉันต้องการใช้ REML มันเป็นที่รู้จักกันดีให้ดูเช่นLaMotteว่าโอกาสโดยที่คือเมทริกซ์กึ่งมุมฉากใด ๆ เช่นนั้นสามารถเขียนได้
เมื่อคือยศคอลัมน์เต็ม
ปัญหาของฉันเป็นที่สำหรับบางคนที่ดีที่สุดที่เหมาะสมและน่าสนใจทางวิทยาศาสตร์เมทริกซ์X ( α )ไม่ได้ของการจัดอันดับคอลัมน์เต็ม ผลสืบเนื่องทั้งหมดที่ฉันได้เห็นถึงความน่าจะเป็นที่ถูก จำกัด ข้างต้นใช้ประโยชน์จากความเท่ากันที่กำหนดซึ่งไม่สามารถใช้ได้เมื่อ| X ′ X | = 0คือพวกเขาถือว่ายศคอลัมน์เต็มรูปแบบของX ซึ่งหมายความว่าโอกาสที่ จำกัด ข้างต้นนั้นถูกต้องเฉพาะสำหรับการตั้งค่าของฉันในส่วนของพื้นที่พารามิเตอร์เท่านั้นดังนั้นจึงไม่ใช่สิ่งที่ฉันต้องการเพิ่มประสิทธิภาพ
คำถาม:มีความเป็นไปได้ที่ถูก จำกัด โดยทั่วไปมากขึ้นในวรรณคดีทางสถิติหรือที่อื่น ๆ โดยไม่มีการสันนิษฐานว่าเป็นอันดับคอลัมน์เต็มหรือไม่ ถ้าเป็นเช่นนั้นพวกเขามีลักษณะอย่างไร
ข้อสังเกตบางอย่าง:
- การได้รับส่วนเอ็กซ์โปเนนเชียลนั้นไม่มีปัญหาสำหรับใด ๆและมันอาจถูกเขียนในรูปของการผกผันของ Moore-Penrose ดังกล่าวข้างต้น
- คอลัมน์เป็นพื้นฐาน orthonormal (ใด ๆ ) สำหรับC ( X ) ⊥
- สำหรับรู้จักกันความน่าจะเป็นสำหรับA ′ Yสามารถเขียนได้ง่ายสำหรับทุกαแต่แน่นอนว่าจำนวนของเวกเตอร์พื้นฐานเช่นคอลัมน์ในAขึ้นอยู่กับอันดับของคอลัมน์X
หากใครที่สนใจในคำถามนี้เชื่อว่าการกำหนดพารามิเตอร์ที่แน่นอนของจะช่วยได้โปรดแจ้งให้เราทราบและฉันจะเขียนลงไป ถึงตอนนี้ฉันสนใจ REML สำหรับXทั่วไปในมิติที่ถูกต้อง
คำอธิบายโดยละเอียดเพิ่มเติมของรุ่นนี้มีดังนี้ ปล่อยให้เป็นr -dimensional ลำดับแรก Vector Vector Autoregression [VAR (1)] โดยที่v t ฉันฉันd ∼ N ( 0 , Ω ) . สมมติว่ากระบวนการจะเริ่มต้นในบางค่าคงที่Y 0ในเวลาT = 0
กำหนด ' ตัวแบบอาจถูกเขียนในรูปแบบโมเดลเชิงเส้นY = X β + εโดยใช้คำจำกัดความและสัญลักษณ์ต่อไปนี้:
ที่หมายถึงT -เวกเตอร์มิติของคนและอี1 , Tแรกเวกเตอร์พื้นฐานมาตรฐานของR T
แสดงว่า ) ขอให้สังเกตว่าถ้าAไม่เต็มอันดับX ( α )ไม่ใช่อันดับคอลัมน์เต็ม ซึ่งรวมถึงตัวอย่างเช่นกรณีที่หนึ่งในองค์ประกอบของy tไม่ได้ขึ้นอยู่กับอดีต
แนวคิดของการประมาณค่า VARs โดยใช้ REML นั้นเป็นที่รู้จักกันดีเช่นในวรรณคดีการถดถอยเชิงทำนาย (ดูตัวอย่างเช่นPhillips and Chenและการอ้างอิงในนั้น)
มันอาจจะคุ้มค่าที่จะชี้แจงว่าเมทริกซ์ไม่ใช่เมทริกซ์การออกแบบตามความรู้สึกปกติมันเพิ่งหลุดออกจากโมเดลและถ้าไม่มีความรู้เบื้องต้นเกี่ยวกับAมีเท่าที่ฉันสามารถบอกได้ว่าไม่มีวิธีแก้ไขพารามิเตอร์ มันจะเต็มอันดับ
ฉันได้โพสต์คำถามเกี่ยวกับmath.stackexchangeที่เกี่ยวข้องกับเรื่องนี้ในแง่ที่ว่าคำตอบของคำถามทางคณิตศาสตร์อาจช่วยในการหาโอกาสที่จะตอบคำถามนี้