Các vấn đề với việc giết người thông thường

Tôi đã theo dõi bài viết wiki này liên quan đến việc giết người thông thường

nhập mô tả hình ảnh ở đây

Bây giờ ma trận hiệp phương sai của tôi trông như thế này, cho 4 biến

1   0.740818220681718   0.548811636094027   0.406569659740599
0.740818220681718   1   0.740818220681718   0.548811636094027
0.548811636094027   0.740818220681718   1   0.740818220681718
0.406569659740599   0.548811636094027   0.740818220681718   1

Vâng, mối quan hệ giữa semvariogram và variogram được đưa ra bởi

$\gamma(h)/(C0) = 1 - C(h)/C(0)$

Vì vậy, tôi cũng đã tính . Bây giờ khi tôi cố gắng tính trọng lượng như $\gamma(h)$

A = 1.0000    0.7408    0.5488    1.0000
    0.7408    1.0000    0.7408    1.0000
    0.5488    0.7408    1.0000    1.0000
    1.0000    1.0000    1.0000         0 

B =  0.4066
    0.5488
    0.7408
    1.0000

Tôi đang lấy biến thứ tư là thiếu

 [W;mu] = inv(A)*B =  0.1148
                      0.0297
                      0.8555
                     -0.1997

Ở trên là bằng cách sử dụng hiệp phương sai. Bây giờ sử dụng phương sai bán tôi đã có

A = 0         0.2592    0.4512    1.0000
    0.2592         0    0.2592    1.0000
    0.4512    0.2592         0    1.0000
    1.0000    1.0000    1.0000         0

B = 0.5934
    0.4512
    0.2592
    1.0000


inv(A)*B =  0.1148
            0.0297
            0.8555
            0.1997

Như bạn có thể thấy các điều khoản cuối cùng không bằng nhau. Khi theo đạo hàm họ được đánh đồng hoặc nói là bằng nhau. Bất kỳ làm rõ?

covariance autocorrelation variogram

— người dùng34790
nguồn

Bất kỳ một kẻ nào. Điều này đang giết chết tôi. Tôi đang làm gì sai?

— user34790

Không phải là một giải pháp (tôi không biết làm thế nào để đăng bài này trong phần bình luận ở định dạng dễ đọc) nhưng bạn có nhận thấy cấu trúc nghịch đảo của A trong hai trường hợp khác nhau không? > A = ma trận (c (1.0000,0.7408,0.5488,1.0000, + 0.7408,1.0000,0.7408,1.0000, + 0.5488,0.7408,1.0000,1.0000, + 1.0000,1.0000,1.0000,0), nrow = 4) >> giải quyết (A) [, 1] [, 2] [, 3] [, 4] [1,] 1.9619812 -1,7076503 -0,2543309 0,4426230 [2,] 4,] 0.4426230 0.1147541 0.4426230 -0.7705443 >>> A = ma trận (c (0,0.2592,0,4512,1.0000, + 0,2592,0,0.2592

μ

$\mu$

$\gamma$ $x^\star$ $x_0$

$\mu$ $\mathbf{w}$ $n$ $\gamma$

[\begin{matrix} Γ & - 1 \\ - 1^{⊤} & 0 \end{matrix}] [\begin{matrix} w \\ μ \end{matrix}] = = [\begin{matrix} γ^{⋆} \\ - 1 \end{matrix}]

$\begin{bmatrix} \boldsymbol{\Gamma} & -\mathbf{1} \\ -\mathbf{1}^\top & 0 \end{bmatrix} \begin{bmatrix} \mathbf{w} \\ \mu \end{bmatrix} = \begin{bmatrix} \boldsymbol{\gamma}^\star \\ -1 \end{bmatrix}$

Γ

$\boldsymbol{\Gamma}$

n \times n

$n \times n$

Γ = {[γ (x_{i}, x_{j})]}_{i, j}

$\boldsymbol{\Gamma} = \left[ \gamma(\mathbf{x}_i,\,\mathbf{x}_j)\right]_{i,j}$

γ^{⋆}

$\boldsymbol{\gamma}^\star$

γ^{⋆} = {[γ (x^{⋆}, x_{i})]}_{i}

$\boldsymbol{\gamma}^\star = \left[ \gamma(\mathbf{x}^\star,\,\mathbf{x}_i)\right]_{i}$ liên quan đến vị trí mới và là một vectơ của những cái có độ dài .

x^{⋆}

$\mathbf{x}^\star$

1

$\mathbf{1}$

n

$n$

Xem (tối đa thay đổi ký hiệu) Thống kê dữ liệu không gian của N. Cressie p. 121 trong phiên bản sửa đổi.

## using the covariance 
Acov <-  matrix(c(1.0000, 0.7408, 0.5488, 1.0000,
                  0.7408, 1.0000, 0.7408, 1.0000,
                  0.5488, 0.7408, 1.0000, 1.0000,
                  1.0000, 1.0000, 1.0000, 0.0000),
                nrow=4) 
Bcov <- c(0.4066, 0.5488, 0.7408, 1.0000)
## using the variogram 
Avario <- matrix(-1, nrow = 4, ncol = 4)
Avario[1:3, 1:3] <- 1 - Acov[1:3, 1:3]
Avario[4, 4] <- 0
Bvario <- 1 - Bcov
Bvario[4] <- -1
## compare
cbind(cov = solve(Acov, Bcov), vario = solve(Avario, Bvario))

— Yves
nguồn