Làm thế nào để đảm bảo các thuộc tính của ma trận hiệp phương sai khi điều chỉnh mô hình bình thường đa biến bằng khả năng tối đa?


22

Giả sử tôi có mô hình sau

yi=f(xi,θ)+εi

Trong đó , là một vectơ của các biến giải thích, là các tham số của hàm phi tuyến tính và , trong đó tự nhiên là ma trậnx i θ f ε i ~ N ( 0 , Σ ) Σ K × KyiRKxiθfεiN(0,Σ)ΣK×K

Mục tiêu là thông thường để ước tính θΣ . Sự lựa chọn rõ ràng là phương pháp khả năng tối đa. Khả năng đăng nhập cho mô hình này (giả sử chúng ta có một mẫu (yi,xi),i=1,...,n ) trông giống như

l(θ,Σ)=n2log(2π)n2logdetΣi=1n(yif(xi,θ))Σ1(yf(xi,θ)))

Bây giờ điều này có vẻ đơn giản, khả năng đăng nhập được chỉ định, đưa vào dữ liệu và sử dụng một số thuật toán để tối ưu hóa phi tuyến tính. Vấn đề là làm thế nào để đảm bảo rằng Σ là xác định dương. Sử dụng ví dụ optimtrong R (hoặc bất kỳ thuật toán tối ưu phi tuyến tính nào khác) sẽ không đảm bảo với tôi rằng Σ là xác định dương.

Vì vậy, câu hỏi là làm thế nào để đảm bảo rằng Σ vẫn tích cực xác định? Tôi thấy hai giải pháp có thể:

  1. Reparametawn ΣRR trong đó R là ma trận đối xứng hoặc tam giác trên. Sau đó, Σ sẽ luôn luôn xác định dương và R có thể không bị giới hạn.

  2. Sử dụng hồ sơ khả năng. Suy ra các công thức cho θ^(Σ)Σ^(θ) . Bắt đầu với một số θ0 và lặp lại Σ^j=Σ^(θ^j1) , θ^j=θ^(Σ^j1) cho đến khi hội tụ.

Có một số cách khác và những gì về 2 cách tiếp cận này, chúng sẽ làm việc, chúng có chuẩn không? Đây có vẻ là vấn đề khá chuẩn, nhưng tìm kiếm nhanh không cho tôi bất kỳ gợi ý nào. Tôi biết rằng ước tính Bayes cũng có thể, nhưng hiện tại tôi không muốn tham gia vào nó.


Tôi có cùng một vấn đề trong thuật toán Kalman, nhưng vấn đề phức tạp hơn nhiều và không dễ sử dụng thủ thuật Hamilton. Tôi tự hỏi liệu một điều đơn giản hơn để làm chỉ đơn giản là sử dụng . Bằng cách này, tôi buộc mã không đưa ra lỗi và không thay đổi giải pháp. Điều này cũng có lợi ích khi buộc thuật ngữ này có cùng dấu hiệu với phần cuối cùng của khả năng. Có ý kiến ​​gì không? log(detΣ+1)
econ_pipo

Câu trả lời:


6

Giả sử rằng khi xây dựng ma trận hiệp phương sai, bạn sẽ tự động xử lý vấn đề đối xứng, khả năng đăng nhập của bạn sẽ là khi không xác định dương vì thuật ngữ trong người mẫu phải không? Để ngăn lỗi số nếu tôi sẽ tính toán trước và, nếu nó không tích cực, thì hãy làm cho khả năng nhật ký bằng -Inf, nếu không thì tiếp tục. Bạn phải tính toán các giá trị xác định, vì vậy điều này không làm bạn mất thêm bất kỳ tính toán nào. Σlogdet Σdet Σ<0det Σ


5

Hóa ra bạn có thể sử dụng khả năng tối đa của hồ sơ để đảm bảo các thuộc tính cần thiết. Bạn có thể chứng minh rằng cho cho θ , l ( θ , Σ ) là tối đa bằngθ^l(θ^,Σ)

Σ^=1ni=1nε^iε^i,

Ở đâu

ε^i=yif(xi,θ^)

Sau đó có thể chỉ ra rằng

i=1n(yif(xi,θ^))Σ^1(yf(xi,θ^)))=const,

do đó chúng ta chỉ cần tối đa hóa

lR(θ,Σ)=n2logdetΣ^.

Đương nhiên trong trường hợp này sẽ làm hài lòng tất cả các thuộc tính cần thiết. Các bằng chứng giống hệt nhau cho trường hợp khi f là tuyến tính có thể tìm thấy trong Phân tích chuỗi thời gian của JD Hamilton trang 295, do đó tôi đã bỏ qua chúng.Σf


3

Một tham số thay thế cho các ma trận hiệp phương sai là về mặt giá trị riêng p ( p - 1 ) / 2 góc "Tặng" θ i j .λ1,...,λpp(p1)/2θij

Đó là, chúng ta có thể viết

Σ=GTΛG

Trong đó là trực giao vàG

Λ=diag(λ1,...,λp)

với .λ1...λp0

Trong khi đó, có thể được tham số hóa duy nhất theo các góc p ( p - 1 ) / 2 , θ i j , trong đó i = 1 , 2 , . . . , p - 1j = i , . . . , p - 1. [1]Gp(p1)/2θiji=1,2,...,p1j=i,...,p1

(chi tiết được thêm vào)

[1]: Hoffman, Raffenetti, Ruedenberg. "Tổng quát hóa các góc Euler thành ma trận trực giao N chiều". J. Toán. Vật lý. 13, 528 (1972)


GΣyif(xi,θ)

2

Σ=Λ+CC, where Λ is a diagonal matrix, and C is a Cholesky factorization of a rank update to Λ. You only then need to keep the diagonal of Λ positive to keep Σ positive definite. That is, you should estimate the diagonal of Λ and the elements of C instead of estimating Σ.


Can below diagonal elements in this settings be anything I want as long as the diagonal is positive? When simulate matrices this way in numpy not all of them are positive definite.
sztal

Λ is a diagonal matrix.
shabbychef
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.