กระบวนการ AR (1) ที่มีข้อผิดพลาดในการวัดที่ต่างกัน


13

1. ปัญหา

ฉันมีการวัดตัวแปรโดยที่ซึ่งฉันมีการแจกแจงได้รับผ่าน MCMC ซึ่งสำหรับความเรียบง่ายฉันจะถือว่าเป็น gaussian ของค่าเฉลี่ยและความแปรปรวน 2 T = 1 , 2 , . , n f y t ( y t ) μ t σ 2 tytt=1,2,..,nfyt(yt)μtσt2

ฉันมีแบบจำลองทางกายภาพสำหรับการสังเกตเหล่านั้นพูดแต่ส่วนที่เหลือดูเหมือนจะมีความสัมพันธ์; โดยเฉพาะอย่างยิ่งผมมีเหตุผลทางกายภาพที่จะคิดว่าขั้นตอนจะพอเพียงที่จะคำนึงถึงความสัมพันธ์และผมวางแผนที่จะได้รับค่าสัมประสิทธิ์ของความพอดีผ่าน MCMC ซึ่งฉันต้องการโอกาส ฉันคิดว่าวิธีการแก้ปัญหาค่อนข้างง่าย แต่ฉันไม่แน่ใจ (ดูเหมือนง่ายมากที่ฉันคิดว่าฉันขาดอะไรไป)r t = μ t - g ( t ) A R ( 1 )g(t)rt=μtg(t)AR(1)

2. ได้รับโอกาส

โพรเซสเป็นศูนย์สามารถเขียนเป็น: โดยที่ฉันจะถือว่า2) ดังนั้นพารามิเตอร์ที่จะประมาณคือ (ในกรณีของฉันฉันต้องเพิ่มพารามิเตอร์ของรุ่นแต่นั่นไม่ใช่ปัญหา) สิ่งที่ฉันสังเกตคือตัวแปร ที่ฉันสมมติว่าและเป็นที่รู้จัก ( ข้อผิดพลาดในการวัด) เนื่องจากเป็นกระบวนการแบบเกาส์จึงเป็นเช่นกัน โดยเฉพาะฉันรู้ว่า X t = ϕ X t - 1 + ε t , ( 1 ) ε tN ( 0 , σ 2 w ) θ = { ϕ , σ 2 w } g ( t ) R t = X t + η t , ( 2 ) η tN (AR(1)

Xt=ϕXt1+εt,   (1)
εtN(0,σw2)θ={ϕ,σw2}g(t)
Rt=Xt+ηt,   (2)
σ 2 t X t R t X 1N ( 0 , σ 2 w / [ 1 - ϕ 2 ] ) ,ηtN(0,σt2)σt2XtRt
X1N(0,σw2/[1ϕ2]),
ดังนั้น ความท้าทายต่อไปคือการได้รับสำหรับ1 หากต้องการรับการแจกแจงของตัวแปรสุ่มนี้ให้สังเกตว่าใช้ eq ฉันสามารถเขียน ใช้ eq และใช้คำจำกัดความของ eq ฉันสามารถเขียน ใช้ eq ในนิพจน์สุดท้ายนี้จากนั้นฉันได้รับ ดังนั้น R t | R T - 1ที1 ( 2 ) X T - 1 = R T - 1 - η ที- 1 ( 3 ) ( 2 ) ( 1 ) R
R1N(0,σw2/[1ϕ2]+σt2).
Rt|Rt1t1(2)
Xt1=Rt1ηt1.   (3)
(2)(1) (3) R t =ϕ( R t - 1 - η t - 1 )+ ε t + η t , R t | R t - 1 =ϕ( r t - 1 - η
Rt=Xt+ηt=ϕXt1+εt+ηt.
(3)
Rt=ϕ(Rt1ηt1)+εt+ηt,
Rt|Rt1=ϕ(rt1ηt1)+εt+ηt,
ดังนั้น ในที่สุดฉันสามารถเขียนฟังก์ชันความน่าจะเป็นเป็น ที่คือการแจกแจงของตัวแปรที่ฉันเพิ่งกำหนด, .ie, การกำหนด และกำหนด\ sigma ^ 2 (t) = \ sigma_w ^ 2 + \ sigma_t ^ 2- \ phi ^ 2 \ sigma ^ 2_ {t-1} ,
Rt|Rt1N(ϕrt1,σw2+σt2ϕ2σt12).
L(θ)=fR1(R1=r1)t=2nfRt|Rt1(Rt=rt|Rt1=rt1),
f()σ2=σw2/[1ϕ2]+σt2,
fR1(R1=r1)=12πσ2exp(r122σ2),
σ2(t)=σw2+σt2ϕ2σt12
fRt|Rt1(Rt=rt|Rt1=rt1)=12πσ2(t)exp((rtϕrt1)22σ2(t))

3. คำถาม

  1. ที่มาของฉันตกลงไหม ฉันไม่มีทรัพยากรที่จะเปรียบเทียบนอกเหนือจากการจำลอง (ซึ่งดูเหมือนจะเห็นด้วย) และฉันไม่ใช่นักสถิติ!
  2. มีสิ่งใดที่ได้รับมาในวรรณคดีสำหรับหรือการเข้าหรือไม่? A R M A (MA(1)ARMA(1,1)การศึกษาความโดยทั่วไปที่สามารถระบุเฉพาะกรณีนี้จะเป็นสิ่งที่ดีARMA(p,q)

ฉันไม่ได้มีทางออกสำหรับคุณ แต่ฉันคิดว่านี่เป็นปัญหาตัวแปรข้อผิดพลาด ฉันได้เห็นสิ่งนี้ในทฤษฎีเศรษฐศาสตร์มหภาคโดย Thomas Sergent (หนังสือยุค 1980) คุณอาจต้องการดูที่หนึ่ง
วัด

ขอบคุณสำหรับอินพุต @Metrics ฉันจะตรวจสอบหนังสือ!
Néstor

คำตอบ:


1
  1. คุณกำลังติดตามขวา แต่คุณได้ทำผิดพลาดในการสืบมากระจายของรับ : หมายถึงเงื่อนไขไม่ได้{t-1} มันคือโดยที่เป็นค่าประมาณดีที่สุดของคุณจากช่วงก่อนหน้า ค่าของมีข้อมูลจากการสังเกตก่อนหน้านี้เช่นเดียวกับ{t-1} (หากต้องการดูสิ่งนี้ให้พิจารณาสถานการณ์ที่และน้อยมากดังนั้นคุณจึงประเมินค่าเฉลี่ยคงที่ได้อย่างมีประสิทธิภาพหลังจากการสังเกตจำนวนมากความไม่แน่นอนเกี่ยวกับของคุณจะน้อยกว่ามากRtRt1ϕrt1ϕx^t1x^t1Xx^t1rt1σwϕXση .) นี้สามารถทำให้เกิดความสับสนในตอนแรกเพราะคุณสังเกตและไม่Xนั่นก็หมายความว่าคุณกำลังติดต่อกับรูปแบบของรัฐพื้นที่RX

  2. ใช่มีกรอบการทำงานทั่วไปมากสำหรับการใช้แบบจำลองเชิงเส้นแบบเกาส์กับข้อสังเกตที่มีเสียงดังที่เรียกว่าตัวกรองคาลมาน สิ่งนี้ใช้ได้กับทุกสิ่งที่มีโครงสร้าง ARIMA และรุ่นอื่น ๆ อีกมากมาย การเปลี่ยนแปลงเวลานั้นใช้ได้สำหรับตัวกรองคาลมาน แต่ก็ไม่ได้สุ่ม รุ่นที่มีตัวอย่างเช่นความผันผวนของ Stochastic นั้นต้องการวิธีการทั่วไปที่มากกว่า เพื่อดูว่าตัวกรองคาลมานที่ได้มาลองเดอร์บิน-คูปแมนหรือบทที่ 3 ของฮาร์วีย์ ในสัญกรณ์ฮาร์วีย์, รุ่นของคุณมี , , , ,และQσηZ=1d=c=0Ht=ση,t2T=ϕR=1Q=σw2


สวัสดีเจมี่ขอบคุณสำหรับข้อมูลของคุณ ความเห็นสองสามข้อ: 1. ฉันไม่แน่ใจเกี่ยวกับเรื่องนั้น ที่จริงแล้วความพยายามครั้งแรกของฉันเป็นวิธีแก้ปัญหา แต่ทั้งสัญชาตญาณและแบบจำลองของฉันไม่เห็นด้วย สิ่งนี้คือฉันไม่ได้สังเกต จริง ๆฉันสังเกต ; บวกคุณสามารถพิสูจน์ (ทางคณิตศาสตร์) ว่าค่าเฉลี่ยตามเงื่อนไขของตัวแปรสุ่ม (โปรดทราบว่าไม่ใช่ ) จริงๆแล้ว ? 2. คุณสามารถอธิบายเพิ่มเติมเกี่ยวกับการใช้ตัวกรองคาลมานกับปัญหานี้ได้หรือไม่? XtRtRt|Rt1=rt1Rt|Xt1=xt1ϕx^t1
Néstor

สวัสดี Nestor ฉันได้แก้ไขคำตอบเพื่อตอบความคิดเห็นของคุณ หวังว่าจะช่วย
Jamie Hall

สวัสดีเจมี่: ประมาณจุดที่สองก็โอเคขอบคุณ :-)! อย่างไรก็ตามฉันยังไม่เห็นจุดแรกของคุณ คุณช่วยชี้ให้ฉันดูเป็นทางการได้ไหม โดยเฉพาะอย่างยิ่งฉันต้องการทราบว่าส่วนใดของการให้เหตุผลของฉันผิด (และทำไม)!
Néstor

คุณข้ามขั้นตอน: การกระจายของรับr_1มันคือโดยที่คือความแปรปรวนที่คุณคำนวณในขั้นตอนแรกและเป็นค่าเฉลี่ยฮาร์มอนิกสองเท่าของและ 2 (นี่ก็เหมือนกับการอัพเดตแบบเบย์ด้วยไฟล์ PDF แบบเกาส์เซียนสองตัว) สมการของคุณ (3) ถูกต้องเป็นทางการ แต่คุณทิ้งข้อมูลโดยใช้สิ่งนั้นแทนที่จะใช้}) R 1 N ( σ 2 x , 1)X1R1σ 2 x , 1 σ 2 x , 2 σ 2 x , 1 σ 2 η , 1 p(Xt-1|R1:t-1)N(σx,12(σx,12+ση,12)r1,σx,22)σx,12σx,22σx,12ση,12p(Xt1|R1:t1)
Jamie Hall

-1

สุจริตคุณควรเขียนโค้ดนี้ใน BUGs หรือ STAN และไม่ต้องกังวลเกี่ยวกับมันจากที่นั่น ถ้านี่เป็นคำถามเชิงทฤษฎี


2
(-1) ตอบสนองนี้; นี่เป็นคำถามเชิงทฤษฎีอย่างชัดเจน ;-) ลองพิจารณาปรับปรุงว่าทำไมคุณคิดว่าฉันควรเขียนโค้ดใน BUGs หรือ STAN และคำถามเดิมนั้นเกี่ยวข้องกับอะไร?
Néstor
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.