本节重点介绍如何使用基于似然的方法进行多元正态回归。采用极大似然估计方法对回归模型的参数进行估计。对于多个级数,这需要迭代直到收敛。由于数据缺失的可能性而导致的复杂性被纳入到分析中,使用了一种称为ECM算法的EM算法变体。
最大似然估计的潜在理论和Fisher信息矩阵的定义和意义可以在CAINE中找到[1]和克莱默[2]。ECM算法的基本原理可以在孟和Rubin中找到[8]塞克斯顿和斯文森[9]。
此外,介绍了最大似然估计的这两个示例:
假设你有一个多元正态线性回归模型的形式
模型有m观察N维随机变量Z.1,......,Z.m有一个线性回归模型P.- 二维模型参数矢量B.。此外,模型还有一个序列m设计矩阵H1,......,Hm,每个设计矩阵都是已知的N——- - - - - -P.矩阵。
给定参数矢量B.和集合的设计矩阵,集合m独立变量Z.K.假设有独立同分布的多元正态残差Z.K.-HK.B.和N向量的意思0.
和N
——- - - - - -N
协方差矩阵C对于每一个人K.= 1,......,m。
编写这个模型的一种简明方法是
为了K.= 1,......,m。
多元正态回归的目标是获得最大似然估计B.和C给定一个集合m观察Z.1,......,Z.m随机变量Z.1,......,Z.m。估计参数为P.不同的元素B.和N(N+ 1)/ 2个不同的元素C的下三角元素C)。
笔记
准最大似然估计与相同的型号合作,但是放宽了正常分布式残差的假设。然而,在这种情况下,参数估计是渐近最佳的。
用极大似然估计估计多元正态线性回归模型的参数,需要在给定的估计参数上使对数似然函数最大Z.1,......,Z.m。
给定多元正态模型来表征回归模型中的残差,对数似然函数为
虽然横截面残差必须是独立的,但您可以使用此日志似然函数进行准最大似然估计。在这种情况下,参数的估计值B.和C提供估计,以表征残差的第一和第二矩。见Caines.[1]有关详细信息。
除了特别案例外(见多元线性回归模型的特例),如果两个模型参数都在B.和协方差参数C由于估计问题是非线性的,求解时必须使用迭代方法。表示参数的估计B.和C迭代T.= 0,1,...使用上标表示法B.(T.)和C(T.)。
给定的初始估计B.(0)和C(0)对于参数,最大似然估计B.和C使用两级迭代过程获得
和
为了T.= 0,1,......
提到的特殊情况最大似然估计如果发生N= 1,则观测序列是一个标量观测序列。这个模型被称为多元线性回归模型。在这种情况下,协方差矩阵C是A.1
——- - - - - -1
丢弃最大可能性的矩阵迭代,以便单步估计B.和C可以用收敛估计得到吗B.(1)和C(1)。
对一般模型的另一种简化称为最小二乘回归。如果B.(0)=0.
和C(0)=一世, 然后B.(1)和C(1)从两级迭代过程中的最小二乘估计B.和C,在那里
和
最终简化一般模型是估计一系列的平均值和协方差N- 一维的观察Z.1,......,Z.m。在这种情况下,系列的数量等于模型参数的数量N=P.并且设计矩阵是标识矩阵HK.=一世为了一世= 1,......,m以便B.是一个估计的卑鄙和C是对观测结果的协方差的估计吗Z.1,......,Z.m。
如果迭代过程继续进行,直到对数似然函数的增长不超过一个指定的量,所得到的估计称为最大似然估计B.毫升和C毫升。
如果N= 1(这意味着一个单一的数据序列),收敛只在一个迭代步骤后发生,这反过来意味着最小二乘和最大似然估计是相同的。然而,如果N> 1,最小二乘和最大可能性估计通常是不同的。
在Financial Toolbox™软件中,监测日志似然函数的更改以及参数估计中的更改的规范。每当两个变化都低于指定的公差(这应该是机器精度和其平方根之间的某些东西),工具箱功能都是在达到收敛的假设下终止。
由于极大似然估计是由随机变量的样本构成的,因此它们的估计量是随机变量;从这样的样本中得出的估计具有不确定性。为了描述这些被称为标准误差的不确定性,从总对数似然函数中导出了两个量。
Hessian总对数似然函数是
费雪信息矩阵为
它的偏导数呢 相对于包含不同组件的组合参数向量θ拍摄操作员B.和C总共问:=P.+N(N+ 1) / 2参数。
由于极大似然估计涉及大样本估计,中心极限定理适用于估计,Fisher信息矩阵在参数估计的抽样分布中起着关键作用。特别地,极大似然参数估计是渐近正态分布的
其中Θ是组合参数向量和Θ(T.)是迭代时组合参数向量的估计吗T.= 0,1,......
Fisher信息矩阵提供了一个较低限制的较低限制,用于模型参数估计的标准误差。
给定组合参数向量Θ的估计,其平方标准误差是Fisher信息矩阵逆的对角元素
为了一世= 1,......,问:。
由于标准误差是参数估计的标准偏差的估计,因此可以构建置信区间,以便例如,为每个参数估计的95%的间隔约为
为了一世= 1,......,问:。
错误椭圆在显着级αε[0,1]的参数估计满足不等式
并关注A. 分销问:自由度。对于参数的任何子集合都可以形成类似的不等式。
通常,给定参数估计,计算的Fisher信息矩阵和日志似然函数,您可以对参数,模型和回归执行众多统计测试。
转换2sur.
|Ecmlsrmle.
|Ecmlsrobj.
|ecmmvnrfish
|ecmmvnrfish
|Ecmmvnrmle.
|ecmmvnrobj
|Ecmmvnrstd.
|Ecmmvnrstd.
|ecmnfish.
|Ecmnhess.
|ecmninit
|Ecmnmle.
|Ecmnobj.
|ecmnstd.
|mvnrfish.
|mvnrmle
|mvnrobj
|mvnrstd.