การกระจายตัวของควอดเรนจ์ k-dimension บวกกับเมทริกซ์ความแปรปรวนร่วม parametrizable คืออะไร?

ต่อไปนี้zzk 's คำถามในการแก้ปัญหาของเขาด้วยการจำลองเชิงลบผมสงสัยว่าสิ่งที่เป็นครอบครัว parametrized ของการกระจายในด้าน k มิติบวกซึ่งแปรปรวนเมทริกซ์สามารถตั้งค่า $\mathbb{R}_+^k$ $\Sigma$

ตามที่หารือกับzzkเริ่มต้นจากการกระจายในและใช้การแปลงเชิงเส้นไม่ทำงาน $\mathbb{R}_+^k$ $X \longrightarrow\Sigma^{1/2} (X-\mu) + \mu$

distributions multivariate-analysis covariance

— ซีอาน
แหล่งที่มา

คำตอบ:

สมมติว่าเรามีเวกเตอร์สุ่มหลายตัวแปรปกติ พร้อมและยศเต็มรูปแบบสมมาตรเมทริกซ์ที่ชัดเจนในเชิงบวก{IJ})

(\log X_{1}, \dots, \log X_{k}) \sim N (μ, Σ),

$(\log X_1,\dots,\log X_k) \sim N(\mu,\Sigma) \, ,$

μ \in R^{k}

$\mu\in\mathbb{R}^k$

k \times k

$k\times k$

Σ = (σ_{i j})

$\Sigma=(\sigma_{ij})$

สำหรับ lognormalมันไม่ยากที่จะพิสูจน์ว่า $(X_1,\dots,X_k)$

m_{i} := E [X_{i}] = e^{μ_{i} + σ_{i i} / 2}, i = 1, \dots, k,

$m_i := \textrm{E}[X_i] = e^{\mu_i + \sigma_{ii}/2} \, , \quad i=1,\dots,k\, ,$

c_{i j} := Cov [X_{i}, X_{j}] = m_{i} m_{j} (e^{σ_{i j}} - 1), i, j = 1, \dots, k,

$c_{ij} := \textrm{Cov}[X_i,X_j] = m_i \,m_j \,(e^{\sigma_{ij}} - 1) \, , \quad i,j=1,\dots,k\, ,$

และมันตามที่c_ $c_{ij}>-m_im_j$

ดังนั้นเราสามารถถามคำถามที่สนทนาได้:และเมทริกซ์เมทริกซ์แน่นอนแน่นอนบวก , พอใจถ้าเราให้ เราจะมีเวกเตอร์ lognormal พร้อมค่าเฉลี่ยและ covariances $m=(m_1,\dots,m_k)\in\mathbb{R}^k_+$ $k\times k$ $C=(c_{ij})$ $c_{ij}>-m_im_j$

μ_{i} = \log m_{i} - \frac{1}{2} \log (\frac{c_{i i}}{m_{i}^{2}} + 1), i = 1, \dots, k,

$\mu_i = \log m_i - \frac{1}{2} \log\left(\frac{c_{ii}}{m_i^2} + 1 \right) \, , \quad i=1,\dots,k \, ,$

σ_{i j} = \log (\frac{c_{i j}}{m_{i} m_{j}} + 1), i, j = 1, \dots, k,

$\sigma_{ij} = \log\left(\frac{c_{ij}}{m_i m_j} + 1 \right) \, , \quad i,j=1,\dots,k \, ,$

ข้อ จำกัด ในและเทียบเท่ากับสภาพธรรมชาติ 0 $C$ $m$ $\textrm{E}[X_i X_j]>0$

— เซน
แหล่งที่มา

สุดยอดเปาโล! คุณได้ทั้งวิธีการทำงานและเงื่อนไขที่เหมาะสมในเมทริกซ์ความแปรปรวนร่วมซึ่งตอบคำถามนี้ด้วย Log-normals พิสูจน์ได้ง่ายกว่า gammas ในที่สุด

— ซีอาน

จริงๆแล้วฉันมีวิธีแก้ปัญหาคนเดินเท้าแน่นอน

เริ่มต้นด้วยและเลือกพารามิเตอร์ทั้งสองเพื่อให้พอดีกับค่าของ , . $X_1\sim \text{Ga}(\alpha_{11},\beta_{1})$ $\mathbb{E}[X_1]$ $\text{var}(X_1)$
รับและเลือกพารามิเตอร์ทั้งสามเพื่อให้พอดีกับค่าของ ,และX_2) $X_2|X_1\sim \text{Ga}(\alpha_{21}X_1+\alpha_{22},\beta_{2})$ $\mathbb{E}[X_2]$ $\text{var}(X_2)$ $\text{cov}(X_1,X_2)$
รับและเลือกพารามิเตอร์ทั้งสี่เพื่อให้พอดีกับ , ,และX_3) $X_3|X_1,X_2\sim \text{Ga}(\alpha_{31}X_1+\alpha_{32}X_2+\alpha_{33},\beta_{3})$ $\mathbb{E}[X_3]$ $\text{var}(X_3)$ $\text{cov}(X_1,X_3)$ $\text{cov}(X_2,X_3)$

และอื่น ๆ ... อย่างไรก็ตามเนื่องจากข้อ จำกัด เกี่ยวกับพารามิเตอร์และธรรมชาติที่ไม่ใช่เชิงเส้นของสมการช่วงเวลาอาจเป็นไปได้ว่าชุดของช่วงเวลาบางชุดนั้นไม่สอดคล้องกับชุดของพารามิเตอร์ที่ยอมรับได้

ตัวอย่างเช่นเมื่อฉันลงเอยด้วยระบบสมการ $k=2$

β_{1} = μ_{1} / σ_{1}^{2}, α_{11} - μ_{1} β_{1} = 0

$\beta_1 =\mu_1/\sigma_1^2\,,\quad \alpha_{11}-\mu_1\beta_1 =0$

α_{22} = μ_{2} β_{2} - α_{21} μ_{1}, α_{21} = \frac{(σ_{12} + μ_{1} μ_{2} - μ_{2})}{σ_{1}^{2} + μ_{1}^{2} - μ_{1}} β_{2}

$\alpha_{22} = \mu_2\beta_2 - \alpha_{21}\mu_1\,,\quad \alpha_{21} = \dfrac{(\sigma_{12}+\mu_1\mu_2-\mu_2)}{\sigma^2_1+\mu_1^2- \mu_1}\beta_2$

\frac{(σ_{12} + μ_{1} μ_{2} - μ_{2})^{2}}{(σ_{1}^{2} + μ_{1}^{2} - μ_{1})^{2}} σ_{1}^{2} + \frac{μ_{2}}{β_{2}} = σ_{2}^{2} .

$\dfrac{(\sigma_{12}+\mu_1\mu_2-\mu_2)^2}{(\sigma^2_1+\mu_1^2- \mu_1)^2} \sigma_1^2 + \dfrac{\mu_2}{\beta_2} = \sigma^2_2\,.$ การเรียกใช้รหัส R ที่มีค่าตามอำเภอใจ (และค่าที่ยอมรับได้) สำหรับและทำให้หลายกรณีไม่มีวิธีแก้ปัญหา อีกครั้งสิ่งนี้ไม่ได้มีความหมายอะไรมากนักเพราะการฝึกอบรมสหสัมพันธ์สำหรับการแจกแจงอาจมีข้อ จำกัด ที่แข็งแกร่งกว่าซึ่งเป็นปัจจัยบวกเพียงอย่างเดียว

μ

$\mu$

Σ

$\Sigma$

R_{+}^{2}

$\mathbb{R}_+^2$

ปรับปรุง (04/04): deinst rephrased คำถามนี้เป็นคำถามใหม่ในฟอรั่มคณิตศาสตร์

— ซีอาน
แหล่งที่มา

วิธีหนึ่งที่จะขยายออกไปเล็กน้อยนี้คือการพิจารณาครอบครัวเอ็กซ์โพเนนเชียลแบบธรรมชาติ แล้วค่าเฉลี่ยและความแปรปรวนมีการไล่ระดับสีและรัฐของ ถ้าเป็นพหุนาม (ที่มี exponents จริง> -1) ดังนั้นคือบันทึกของพหุนาม (กับ exponents จริง) และความแปรปรวนและ Hessian เป็นฟังก์ชันที่มีเหตุผล ฉันคิดว่านี่ให้อิสระมากพอที่จะเป็นตัวแทนของค่าเฉลี่ยและเมทริกซ์ความแปรปรวนร่วม

f (X | θ) = h (x) e^{θ^{T} X - A (θ)} .

$f(\mathbf{X}|\mathbf\theta)=h(\mathbf{x})e^{\mathbf\theta^T\mathbf{X}-A(\mathbf\theta)}.$

A

$A$

h

$h$

A

$A$

— deinst

@deinst: (+1) คุณมีตัวอย่างที่การเป็นตัวแทนครอบครัวชี้แจงนี้สามารถใช้ประโยชน์ได้ตรงไปตรงมา?

— ซีอาน

บางทีฉันอาจไม่เข้าใจปัญหาค่อนข้างมาก แต่พิจารณาเวกเตอร์สุ่ม bivariateกับขอบเดียวกันด้วยการสนับสนุนเต็มรูปแบบในและมีค่าเฉลี่ย<\ การกระจายตัวแบบไบวาริเอตนั้นจะมีความสัมพันธ์ใกล้กับ -1 ได้อย่างไร? Heuristically แม้ว่าฉันจะไม่ได้ทำสิ่งนี้ดูเหมือนว่าถ้าดังนั้นความขัดแย้งเกี่ยวกับการสนับสนุนจะต้องเกิดขึ้น ไม่มี?

(X, Y)

$(X,Y)$

F

$F$

R_{+}

$\mathbb R_{+}$

0 < μ < \infty

$0 < \mu < \infty$

ρ

$\rho$

P (X > 2 μ) > 0

$\mathbb P(X > 2 \mu) > 0$

— พระคาร์ดินัล

มีข้อ จำกัด เกี่ยวกับความแปรปรวนเมทริกซ์อย่างแน่นอนเมื่อการสนับสนุนคือปกคลุมผ่านสภาพขณะ Stieltjes อย่างไรก็ตามผมไม่เห็นเหตุผลที่ใกล้ชิดความสัมพันธ์กับ -1 ได้รับการยกเว้นการนิรนัย

Σ

$\Sigma$

R_{+}^{k}

$\mathbb{R}^k_+$

— ซีอาน

ใช่นี่เกี่ยวข้องกับสิ่งที่ฉันได้รับ เกี่ยวกับความสัมพันธ์พิจารณาตัวอย่างของฉัน ถ้าและมีค่าขอบเดียวกันกับค่าเฉลี่ยและค่าสหสัมพันธ์เท่ากับ -1 และค่าของจะต้องเป็นไหร่สำหรับการรับ(+1 ทั้งคำถามและคำตอบผมเช่นนี้..)

X

$X$

Y

$Y$

F

$F$

μ

$\mu$

P (X > 2 μ) > 0

$\mathbb P(X > 2 \mu) > 0$

Y

$Y$

X

$X$

— พระคาร์ดินัล

ตกลงนี่คือการตอบสนองต่อความคิดเห็นของซีอาน มันยาวเกินไปและต้องมีเท็กซ์มากที่จะแสดงความคิดเห็นที่สะดวกสบาย Caveat Lector: มันเป็นความจริงที่ฉันทำผิดพีชคณิต ดูเหมือนว่ามันจะไม่ยืดหยุ่นเท่าที่ฉันคิดไว้

ให้เราสร้างตระกูลการแจกแจงในของแบบฟอร์ม Letและtheta_3) ให้ เป็นพหุนามสองระยะที่ตัวเลขจริงมากกว่า 0 สำหรับทุกฉันจากนั้นเราก็พบว่า $\mathbb{R}_+^3$

f (x | θ) = h (x) e^{- θ^{T} x - A (θ)}

$f(\mathbf{x}|\mathbf\theta)=h(\mathbf{x})e^{-\mathbf\theta^T\mathbf{x}-A(\mathbf\theta)}$

x = (x, y, z)

$\mathbf{x}=(x,y,z)$

θ = (θ_{1}, θ_{2}, θ_{3})

$\mathbf\theta=(\theta_1,\theta_2,\theta_3)$

h (x) = c x_{1}^{e_{1} - 1} x_{2}^{e_{2} - 1} x_{3}^{e_{3} - 1} + d x_{1}^{f_{1} - 1} x_{2}^{f_{2} - 1} x_{3}^{f_{3} - 1}

$h(\mathbf{x})=c x_1^{e_1-1}x_2^{e_2-1}x_3^{e_3-1}+d x_1^{f_1-1}x_2^{f_2-1}x_3^{f_3-1}$

e_{i}, f_{i}

$e_i, f_i$

i

$i$

A (θ) = \log (c \frac{Γ (e_{1})}{θ_{1}^{e_{1}}} \frac{Γ (e_{2})}{θ_{2}^{e_{2}}} \frac{Γ (e_{3})}{θ_{3}^{e_{3}}} + d \frac{Γ (f_{1})}{θ_{1}^{f_{1}}} \frac{Γ (f_{2})}{θ_{2}^{f_{2}}} \frac{Γ (f_{3})}{θ_{3}^{f_{3}}}) .

$A(\mathbf\theta)=\log\left(c\frac{\Gamma(e_1)}{\theta_1^{e_1}}\frac{\Gamma(e_2)}{\theta_2^{e_2}}\frac{\Gamma(e_3)}{\theta_3^{e_3}}+d\frac{\Gamma(f_1)}{\theta_1^{f_1}}\frac{\Gamma(f_2)}{\theta_2^{f_2}}\frac{\Gamma(f_3)}{\theta_3^{f_3}}\right).$

ตอนนี้เพื่อความสะดวกให้เรากำหนด และ

c^{'} = c Γ (e_{1}) Γ (e_{2}) Γ (e_{2}) θ_{1}^{f_{1}} θ_{2}^{f_{2}} θ_{3}^{f_{3}}

$c'=c\Gamma(e_1)\Gamma(e_2)\Gamma(e_2)\theta_1^{f_1}\theta_2^{f_2}\theta_3^{f_3}$

d^{'} = d Γ (f_{1}) Γ (f_{2}) Γ (f_{2}) θ_{1}^{e_{1}} θ_{2}^{e_{2}} θ_{3}^{e_{3}}

$d'=d\Gamma(f_1)\Gamma(f_2)\Gamma(f_2)\theta_1^{e_1}\theta_2^{e_2}\theta_3^{e_3}$

ตอนนี้ค่าเฉลี่ยของการกระจายตัวของเราคือความชันของเรามี ,และ')} และเนื่องจากความแปรปรวนร่วมคือ Hessian ofเรามี และ (เงื่อนไขอื่น ๆ ของเมทริกซ์ความแปรปรวนร่วมที่ได้จากการเปลี่ยนตัวห้อยด้วยวิธีที่ชัดเจน) $A$ $\mu_X=\frac{e_1c'+f_1d'}{\theta_1(c'+d')}$ $\mu_Y=\frac{e_2c'+f_2d'}{\theta_2(c'+d')}$ $\mu_Z=\frac{e_3c'+f_3d'}{\theta_3(c'+d')}$ $A$

σ_{X}^{2} = \frac{(e_{1} c^{'} + f_{1} d^{'}) (c^{'} + d^{'}) + (e_{1} - f_{1})^{2} c^{'} d^{'}}{θ_{1}^{2} (c^{'} + d^{'})^{2}}

$\sigma_X^2=\frac{(e_1c'+f_1d')(c'+d')+(e_1-f_1)^2c'd'}{\theta_1^2(c'+d')^2}$

Cov (X, Y) = \frac{(e_{1} - f_{1}) (e_{2} - f_{2}) c^{'} d^{'}}{θ_{1} θ_{2} (c^{'} + d^{'})}

$\text{Cov}(X,Y)=\frac{(e_1-f_1)(e_2-f_2)c'd'}{\theta_1\theta_2(c'+d')}$

นี่ดูเหมือนจะไม่ยืดหยุ่นพอที่จะได้เมทริกซ์ความแปรปรวนร่วมใด ๆ ฉันต้องลองคำอื่นในพหุนาม (แต่ฉันคิดว่ามันอาจไม่ได้ผลด้วย

— deinst
แหล่งที่มา

สี่พารามิเตอร์สำหรับข้อ จำกัด ห้าข้อ ... ?

(θ_{1}, θ_{2}, θ_{3}, c)

$(\theta_1,\theta_2,\theta_3,c)$

— ซีอาน

@xian มีเลขชี้กำลังเป็น 6และเช่นกัน

e_{i}

$e_i$

f_{i}

$f_i$

— deinst

ฉันสับสนเล็กน้อย (?) คุณไม่ได้ประมวลผลเลขชี้กำลังเป็นพารามิเตอร์ของตระกูลเลขชี้กำลัง แต่แน่นอนคุณสามารถเปลี่ยนพลังเหล่านั้นตามที่คุณต้องการเพื่อให้ได้สมการ 9 วินาทีที่ถูกต้อง

— ซีอาน

@ ซีอานคุณถูกต้องฉันไม่ได้ประมวลผลเป็นพารามิเตอร์ของตระกูลเอ็กซ์โปเนนเชียล การทำเช่นนั้นจะทำให้ครอบครัวไม่ได้เป็นครอบครัวตามธรรมชาติอีกต่อไปและรวมถึงพวกเขาจะทำให้พีชคณิตยุ่งเหยิงสำหรับการคำนวณสมการช่วงเวลา (ซึ่งสับสนพอที่จะเริ่มต้นด้วย)

— deinst