이 답변은 추정 가능성의 검증을 강조합니다. 최소 분산 특성은 2 차 고려 사항입니다.
먼저 선형 모델의 행렬 형식으로 정보를 다음과 같이 요약하십시오.
여기서 (추정 성을 논의하기 위해 순도 가정은 필요하지 않지만 Gauss-Markov 속성에 대해서는 의 spherity를 가정해야합니다 ). E(
Y:=⎡⎣⎢⎢⎢Y1Y2Y3Y4⎤⎦⎥⎥⎥=⎡⎣⎢⎢⎢1111010−1−1−1−1−1⎤⎦⎥⎥⎥⎡⎣⎢θ1θ2θ3⎤⎦⎥+⎡⎣⎢⎢⎢ε1ε2ε3ε4⎤⎦⎥⎥⎥:=Xβ+ε,(1)
εE(ε)=0,Var(ε)=σ2Iε
설계 행렬 가 전체 순위 인 경우 원래 매개 변수 는 고유 최소 제곱 추정값 합니다. 따라서, 어떠한 파라미터 선형 함수로 정의 의 가 명확 최소 제곱 통해 데이터가 추정 될 수 있다는 의미있게 추정은 추정 로 입니다.β β = ( X ' X ) - 1 X ' Y φ φ ( β ) β β φ = P ' βXββ^=(X′X)−1X′Yϕϕ(β)ββ^ϕ^=p′β^
가 전체 순위가 아닌 경우 미묘함이 발생합니다 . 철저한 논의를 위해 아래에서 먼저 몇 가지 표기법과 용어를 수정합니다 (저는 선형 모델 에 대한 좌표없는 접근 , 섹션 4.8. 일부 용어는 불필요하게 기술적으로 들립니다). 또한, 논의는 및 일반 선형 모델 됩니다 .Y = X β + ε X ∈ R n × k β ∈ R kXY=Xβ+εX∈Rn×kβ∈Rk
- 회귀 매니 폴드 로 평균 벡터의 집합이다 따라 변하는 :
R k M = { X β : β ∈ R k } .βRk
M={Xβ:β∈Rk}.
- 파라 기능 의 선형 작동 ,
β ϕ ( β ) = p ' β = p 1 β 1 + ⋯ + p k β k .ϕ=ϕ(β)β
ϕ(β)=p′β=p1β1+⋯+pkβk.
위에서 언급했듯이 인 경우 모든 매개 변수 기능 를 추정 할 수있는 것은 아닙니다 . 그러나 기술적으로 예측 가능한 용어의 정의는 무엇 입니까? 작은 선형 대수를 방해하지 않고 명확한 정의를 제공하는 것은 어려운 것 같습니다. 내가 가장 직관적이라고 생각하는 한 가지 정의는 다음과 같습니다 (위에서 언급 한 것과 동일한 참조).ϕ ( β )rank(X)<kϕ(β)
정의 1. 파라 메트릭 함수는때마다라는 의미에서에의해 고유하게 결정되면 추정 할 수 있습니다.는만족.X β ϕ ( β 1 ) = ϕ ( β 2 ) β 1 , β 2 ∈ R k X β 1 = X β 2ϕ(β)Xβϕ(β1)=ϕ(β2)β1,β2∈RkXβ1=Xβ2
해석. 위의 정의는 회귀 매니 폴드 에서 의 매개 변수 공간으로 의 맵핑은 일대일이어야한다고 명시하고 있으며 이는 일 때 (즉, 자체가 1 일 때) 일대일). 때 , 우리는 거기에 존재한다는 것을 알고 등이 . 위의 추정 가능한 정의는 사실상 구조적 결함이있는 파라 메트릭 기능을 배제하여 과 동일한 값으로도 서로 다른 값을 가져 오는 것은 자연스럽지 않습니다. 반면에 추정 가능한 매개 변수 기능ϕ 순위 ( X ) = k X 랭크 ( X ) < k β 1 ≠ β 2 X β 1 = X β 2 M ϕ ( ⋅ ) ϕ ( β 1 ) = ϕ ( β 2 ) β 1 ≠ β 2 X β 1 = X β 2Mϕrank(X)=kXrank(X)<kβ1≠β2Xβ1=Xβ2Mϕ(⋅)허용 않는 경우 와 , 한 상태로서 실현된다.ϕ(β1)=ϕ(β2)β1≠β2Xβ1=Xβ2
동일한 참조 인 발의안 8.4에 나와있는 파라 메트릭 기능의 추정 가능성을 확인하기위한 다른 동등한 조건이 있습니다.
그런 장황한 배경을 소개 한 후에 다시 질문으로 돌아 갑시다.
A. 자체는 이므로 와 함께 가 포함 . 위의 정의는 스칼라 함수에 대해 제공되지만 벡터 값 함수로 쉽게 일반화됩니다.순위 ( X ) < 3 X β 1 = X β 2 β 1 ≠ β 2βrank(X)<3Xβ1=Xβ2β1≠β2
B. 는 추정 할 수 없습니다. 다시 , 및 을 고려하면 이지만 입니다.β 1 = ( 0 , 1 , 0 ) ′ β 2 = ( 1 , 1 , 1 ) ′ X β 1 = X β 2 ϕ 1 ( β 1 ) = 0 + 0 =ϕ1(β)=θ1+θ3=(1,0,1)′ββ1=(0,1,0)′β2=(1,1,1)′Xβ1=Xβ2ϕ1(β1)=0+0=0≠ϕ1(β2)=1+1=2
C. 는 추정 가능합니다. 이 때문에 사소 의미 , 즉 입니다.X β 1 = X β 2 θ ( 1 ) 1 − θ ( 1 ) 3 = θ ( 2 ) 1 − θ ( 2 ) 3 ϕ 2 ( β 1 ) = ϕ 2ϕ2(β)=θ1−θ3=(1,0,−1)′βXβ1=Xβ2θ(1)1−θ(1)3=θ(2)1−θ(2)3ϕ2(β1)=ϕ2(β2)
D. 인 도 어림 . 으로부터 유도 에 또한 간단하다.X β 1 = X β 2 ϕ 3 ( β 1 ) = ϕ 3 ( β 2 )ϕ3(β)=θ2=(0,1,0)′βXβ1=Xβ2ϕ3(β1)=ϕ3(β2)
추정 가능성이 확인 된 후 의 가우스-마코프 속성에 대한 정리 (제안 8.16, 동일한 참조)가 있다고 주장합니다 . 해당 정리에 따라 옵션 C의 두 번째 부분이 올바르지 않습니다. 가장 좋은 선형 편향 추정값은 아래 정리에 따라 입니다.ˉ Y = ( Y 1 + Y 2 + Y 3 + Y 4 ) / 4ϕ(β)Y¯=(Y1+Y2+Y3+Y4)/4
정리. 하자될 어림 파라 작용하고 최선 바이어스 추정 선형 (일명, 가우스 - 마르코프 추정치)이다어떤 솔루션를 정규 방정식.φ ( β ) β X ' X β = X ' Yϕ(β)=p′βϕ(β^)β^X′Xβ^=X′Y
증거는 다음과 같습니다.
증명. 간단한 계산은 정규 방정식이 임을 보여줍니다.
, 단순화 후
즉 입니다. [ φ ( β ) θ (2) / 2 - φ ( β ) ] = [ ˉ Y ( Y
⎡⎣⎢40−4020−404⎤⎦⎥β^=⎡⎣⎢10−111−110−11−1−1⎤⎦⎥Y,
φ( β )= ˉ Y⎡⎣⎢⎢ϕ(β^)θ^2/2−ϕ(β^)⎤⎦⎥⎥=⎡⎣⎢Y¯(Y2−Y4)/4−Y¯⎤⎦⎥,
ϕ(β^)=Y¯
따라서 옵션 D만이 정답입니다.
부록 : 추정 성과 식별성의 연결
내가 학교에있을 때, 교수는 파라 메트릭 기능성 의 추정 이 모델 식별 가능성과 일치 한다고 간단히 언급했다 . 나는이 주장을 당연한 것으로 여겼다. 그러나 동등성을보다 명확하게 설명해야합니다.ϕ
AC Davison의 논문 통계 모델 p.144 에 따르면 ,
정의 2. 각 모수가 다른 분포를 생성하는파라 메트릭 모델을 identifiable 이라고 합니다 .θ
선형 모델 에 관계없이 spherity 조건 으로이를 재 공식화 될 수
Var ( ε ) = σ 2 I E [ Y ] = X β ,(1)Var(ε)=σ2I
E[Y]=Xβ,β∈Rk.(2)
응답 벡터 의 첫 번째 모멘트 형식 만 지정한 단순한 모델입니다 . 때 , 모델 식별되기 때문에 의미 (단어 원래의 정의에서 "분포", 자연적으로 평균 "에 감소 " 모델 아래에 있음 ).Yrank(X)=k(2)β1≠β2Xβ1≠Xβ2(2)
이제 이고 주어진 매개 변수 기능 라면 어떻게 정의 1 과 정의 2를 조정 합니까?rank(X)<kϕ(β)=p′β
음표와 단어를 조작함으로써, ( "증거"가 다소 사소한) 의 추정 가능성은 매개 변수 로 매개 변수화 될 때 모델 를 식별 할 수 있는 것과 같다는 것을 보여줄 수 있습니다. (디자인 매트릭스 는 이에 따라 변경 될 수 있음) 증명하기 위해 가 추정 가능하여 의미 한다고 가정 , 이는 정의에 따라 이므로 모델 을 식별 할 수 있습니다 색인을 생성 할 때 . 반대로 모델 을 식별 할 수 있다고 가정 하면ϕ(β)(2)ϕ=ϕ(β)=p′βXϕ(β)Xβ1=Xβ2p′β1=p′β2ϕ1=ϕ2(3)ϕ(3)Xβ1=Xβ2 의미 , 이는 입니다.ϕ1=ϕ2ϕ1(β)=ϕ2(β)
직관적으로, 가 순위가 낮아지면 가 있는 모델 은 매개 변수 중복 (너무 많은 매개 변수)이므로 중복되지 않은 낮은 차원의 재 매개 변수화 (선형 함수 모음으로 구성 될 수 있음)가 가능합니다. 그러한 새로운 표현은 언제 가능합니까? 열쇠는 추정 성입니다.Xβ
위의 진술을 설명하기 위해 예제를 다시 생각해 봅시다. 매개 변수 기능 및 가 추정 . 따라서 다음과 같이 재 파라미터 화 된 매개 변수 로
모델 을 다시 작성할 수 있습니다ϕ2(β)=θ1−θ3ϕ3(β)=θ2(1)(ϕ2,ϕ3)′
E[Y]=⎡⎣⎢⎢⎢1111010−1⎤⎦⎥⎥⎥[ϕ2ϕ3]=X~γ.
분명히 가 전체 순위이므로 새로운 매개 변수 가진 모델을 식별 할 수 있습니다.X~γ
self-study
태그를 넣으면 누군가가 와서 질문을 닫을 것입니다.