mathematical-statistics Archives - Page 13 of 26

최대 우도 추정을 공부하는 동안 최대 우도 추정을 추론하려면 분산을 알아야합니다. 분산을 찾으려면 Cramer의 Rao Lower Bound를 알아야합니다.이 곡선은 곡률에 두 번째 편차가있는 Hessian Matrix와 같습니다. 공분산 행렬과 헤 시안 행렬 간의 관계를 정의하기 위해 혼합되어 있습니다. 질문에 대한 설명을들을 수 있기를 바랍니다. 간단한 예가 이해 될 것이다.

답변

먼저 Fisher Information 매트릭스와 Hessian 및 표준 오류와의 관계에 대한 이 기본 질문을 확인해야 합니다.

통계 모델 (분포 계열) 가 있다고 가정 합니다. 가장 일반적인 경우에 가 패밀리는 로 매개 변수화됩니다 . 특정 규칙 조건 하에서 ${f_{θ} : θ \in Θ}$

{fθ:θ∈Θ}

$d i m (Θ) = d$

dim(Θ)=d

$θ = (θ_{1}, \dots, θ_{d})^{T}$

θ=(θ1,…,θd)T

I i, j (θ) = - E θ [\partial 2 l ( X ; θ ) \partial θ i \partial θ j] = - E θ [H i, j (l (X; θ))]

여기서 는 Fisher Information 매트릭스 ( 함수 )이고 는 관측 값 (샘플)입니다. $I_{i, j}$

Ii,j

$θ$

$X$

l (X; θ) = l n (f θ (X)), for some θ \in Θ

따라서 Fisher Information 매트릭스는 일부 에서 로그 확률에 대한 Hesian의 부정 된 예상 값입니다. $θ$

이제 알려지지 않은 매개 변수 의 벡터 함수를 추정한다고 가정 해 봅시다 . 일반적으로 추정기 는 편향되지 않아야합니다. $ψ (θ)$

ψ(θ)

$T (X) = (T_{1} (X), \dots, T_{d} (X))$

T(X)=(T1(X),…,Td(X))

\forall θ \in Θ E θ [T (X)] = ψ (θ)

Cramer Rao Lower Bound는 모든 편향되지 않은 대해 만족 한다고 말합니다. $T (X)$

T(X)

$c o v_{θ} (T (X))$

covθ(T(X))

c o v θ (T (X)) \geq \partial ψ ( θ ) \partial θ I - 1 (θ) (\partial ψ ( θ ) \partial θ) T = B (θ)

여기서 행렬 수단은 인 포지티브 세미 확정적 , 단순히 코비안이고 . 참고로, 우리가 예상되는 경우에 이라고 단순화 위 $A \geq B$

A≥B

$A - B$

A−B

$\frac{\partial ψ (θ)}{\partial θ}$

∂ψ(θ)∂θ

$J_{i, j} (ψ)$

Ji,j(ψ)

$θ$

$ψ (θ) = θ$

ψ(θ)=θ

c o v θ (T (X)) \geq I - 1 (θ)

그러나 그것은 우리에게 실제로 무엇을 말합니까? 예를 들어

v a r θ (T i (X)) = [c o v θ (T (X))] i, i

모든 양의 반 정규 행렬에 대각선 요소는 음이 아닙니다. $A$

\forall i A i, i \geq 0

위에서 우리는 각 추정 된 요소의 분산이 행렬 의 대각선 요소에 의해 구속된다는 결론을 내릴 수 있습니다. $B (θ)$

B(θ)

\forall i v a r θ (T i (X)) \geq [B (θ)] i, i

따라서 CRLB는 추정기의 분산을 알려주지 않지만 추정기가 최적 인지 여부에 상관없이 최적 입니다.

How IT

언제든지 물어보세요.

태그 보관물: mathematical-statistics

헤 시안 행렬과 공분산 행렬의 관계 추론하려면 분산을 알아야합니다. 분산을 찾으려면

답변

답변