การประมาณค่าความแปรปรวนร่วมหลังของเกาวาสหลายตัวแปร


15

ฉันต้องการ "เรียนรู้" การกระจายตัวของเกาวาสแบบไบวารีที่มีตัวอย่างน้อย แต่เป็นสมมติฐานที่ดีเกี่ยวกับการแจกแจงก่อนหน้าดังนั้นฉันจึงต้องการใช้วิธีแบบเบส์

ฉันกำหนดก่อนหน้านี้:

P(μ)N(μ0,Σ0)
μ0=[00]   Σ0=[160027]

และการแจกแจงของฉันให้สมมติฐาน

P(x|μ,Σ)N(μ,Σ)
μ=[00]   Σ=[180018]

ตอนนี้ฉันรู้ขอบคุณที่นี่ว่าในการประมาณค่าเฉลี่ยของข้อมูล

P(μ|x1,,xn)N(μ^n,Σ^n)

ฉันสามารถคำนวณ:

μ^n=Σ0(Σ0+1nΣ)1(1ni=1nxi)+1nΣ(Σ0+1nΣ)1μ0

Σ^n=1nΣ0(Σ0+1nΣ)1Σ

ตอนนี้คำถามมาฉันอาจผิด แต่ดูเหมือนว่าฉันเป็นเพียงเมทริกซ์ความแปรปรวนร่วมสำหรับพารามิเตอร์ที่ประมาณμ nไม่ใช่ความแปรปรวนร่วมประมาณของข้อมูลของฉัน สิ่งที่ฉันต้องการจะคำนวณด้วยΣnμn

P(Σn1|x1,,xn)

เพื่อให้มีการกระจายที่ระบุอย่างสมบูรณ์เรียนรู้จากข้อมูลของฉัน

เป็นไปได้ไหม มันได้รับการแก้ไขแล้วโดยการคำนวณและจะแสดงเพียงในทางที่ผิดสูตรข้างต้น (หรือฉันเพียงแค่ misentrepreting มัน) หรือไม่? การอ้างอิงจะได้รับการชื่นชม ขอบคุณมาก.Σn

แก้ไข

จากความคิดเห็นที่ก็ปรากฏว่าวิธีการของผมก็คือ "ผิด" ในความรู้สึกที่ฉันถูกสมมติให้มีการแปรปรวนคงที่ที่กำหนดโดยΣสิ่งที่ฉันต้องการคือการใส่ก่อนหน้าไว้ในนั้นด้วยP ( Σ )แต่ฉันไม่รู้ว่าฉันควรใช้การกระจายแบบใดΣP(Σ)


คุณได้ระบุความแปรปรวนร่วมของข้อมูลของคุณเป็น - และคุณยังไม่ได้ระบุการกระจายก่อนหน้านี้สำหรับที่จะได้รับการปรับปรุงจาก? Σ=[180018]
Corone

ฉันเห็นประเด็นของคุณ ด้วยวิธีการของฉันโดยทั่วไปฉันสันนิษฐานว่าความแปรปรวนเป็นค่าคงที่และระบุไว้ ถ้าฉันต้องการที่จะประเมินมันฉันต้องการก่อน ตอนนี้ปัญหาของฉันก็คือว่ามันไม่ชัดเจนว่าจะกำหนดมันและสิ่งที่จะเป็นการกระจายที่เหมาะสมสำหรับมัน แต่ตอนนี้ดูเหมือนว่าจะออกจากขอบเขตของคำถามแรก . P(Σ)F(μΣ,ΣΣ)
unziberla

จากนั้นเปลี่ยนคำถาม :-)
Corone

คำตอบ:


11

คุณสามารถทำการปรับปรุงแบบเบย์สำหรับโครงสร้างความแปรปรวนร่วมได้ในลักษณะเดียวกันกับที่คุณอัพเดตค่าเฉลี่ย คอนจูเกตก่อนหน้าเมทริกซ์ความแปรปรวนร่วมของหลายตัวแปร - ปกติคือการกระจายอินเวอร์ส - วิชวอทดังนั้นจึงเหมาะสมที่จะเริ่มต้นที่นั่น

P(Σ)W1(Ψ,ν)

จากนั้นเมื่อคุณได้ตัวอย่างของความยาวnคุณสามารถคำนวณค่าความแปรปรวนร่วมตัวอย่าง Σ X = 1XnΣX=1n(Xμ)(Xμ)

จากนั้นสามารถใช้เพื่ออัปเดตการประมาณค่าความแปรปรวนร่วมของคุณได้

P(Σ|X)W1(nΣX+Ψ,n+ν)

คุณอาจเลือกที่จะใช้ค่าเฉลี่ยนี้เป็นค่าประมาณของความแปรปรวนร่วม (Posterior Mean Estimator)

E[Σ|X]=nΣX+Ψν+np1

หรือคุณอาจเลือกที่จะใช้โหมด (ตัวประมาณ Posteriori สูงสุด)

Mode[Σ|X]=nΣX+Ψν+n+p+1


ขอบคุณมาก. ตอนนี้ฉันคิดว่าจะมีอะไรเปลี่ยนแปลงในกระบวนการประมาณของฉัน เป็นขั้นตอนแรกที่ฉันควรจะประเมินความแปรปรวนร่วมΣกับขั้นตอนของคุณแล้วการกระจายของฉันที่กำหนดสมมติฐานประมาณ woulb จะP ( X | μ , Σ )และตั้งแต่Σเป็นที่คาดกันและมีการกระจายตัวของตัวเองผมค่อนข้างแน่ใจว่านี้ อย่างใดจะเปลี่ยนสูตรก่อนหน้าของฉันในการคำนวณμ n (ในขณะที่มันเกิดขึ้นในเกาส์ MLE เมื่อใช้แปรปรวนตัวอย่าง) Σ^P(X|μ,Σ^)Σ^μ^n
unziberla

วิธีการที่คุณจะอธิบายแทนการใช้ Σ = E [ Σ | x 1x n ]ดังนั้นฉันจึงมีคุณค่าที่แท้จริงสำหรับความแปรปรวนร่วมราวกับว่าฉันรู้มาก่อน ในวิธีการที่พบบ่อยนี้อาจฟังดูผิด แต่อาจมีบางสิ่งที่ฉันขาดไปจากความจริงที่ว่าฉันถือว่าก่อนหน้านี้เป็นที่รู้จักและทำให้ขั้นตอนนั้นถูกต้องหรือไม่ Σ^=E[Σ|x1xn]
unziberla

7

ตกลงฉันพบทางออกที่แท้จริงสำหรับปัญหาของฉัน ฉันกำลังโพสต์ไว้แม้ว่าคำตอบที่ถูกต้องสำหรับคำถาม (ใส่ผิด) คือคำตอบที่เลือก

โดยทั่วไปแล้วคำถามของฉันจะอธิบายวิธีการประมาณค่าเฉลี่ยที่รู้ถึงความแปรปรวนร่วมและคำตอบวิธีการประมาณค่าความแปรปรวนร่วมที่รู้ค่าเฉลี่ย แต่ปัญหาที่แท้จริงของฉันคือการประเมินด้วยพารามิเตอร์ที่ไม่รู้จักทั้งสอง

ผมพบคำตอบในวิกิพีเดียมีรากศัพท์อธิบายที่นี่ คอนจูเกตของตัวแปรหลายตัวแปรก่อนหน้านี้คือ Normal-inverse-Wishart ซึ่งโดยพื้นฐานแล้วจะกระจายไปตามเกณฑ์ปกติหลายตัวแปร

พารามิเตอร์ก่อนหน้านี้ที่จำเป็นต้องระบุคือเพื่อกำหนดค่าเฉลี่ย, Ψเพื่อกำหนดความแปรปรวนร่วมและสองค่าสเกลาร์κ 0และν 0ที่ฉันจะบอกว่ากำหนดความมั่นใจของเราในการประมาณค่าพารามิเตอร์สองอันดับแรกตามลำดับμ0Ψκ0ν0

การกระจายการปรับปรุงหลังจากสังเกตตัวอย่างของp -variate Normal มีรูปแบบnp

P(μ,Σ|X)NIW(κ0μ0+nx¯κ0+n,κ0+n,ν0+n,Ψ+C+κ0nκ0+n(x¯μ0)(x¯μ0)T)

ที่ไหน

x¯=1ni=0nxi

C=i=1n(xix¯)(xix¯)T

so my desired estimated parameters are

E(μ|X)=κ0μ0+nx¯κ0+n
E(Σ|X)=Ψ+C+κ0nκ0+n(x¯μ0)(x¯μ0)Tν0+np1
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.