故障排除多元正常回归

本节提供了几个指针，以处理可能发生的各种技术和操作困难。

偏见估计数

如果忽略样品，则估计中使用的样本数量小于numsamples.。显然，所用的实际样品数量必须足以获得估计。另外，虽然模型参数参数（或平均估计吝啬的）是无偏见的最大似然估计，残余协方差估计协方差有偏见。转换为无偏的协方差估计，乘以协方差经过

$数数 / （数数 - 1 ）那$

在哪里数数是估计中使用的实际样本数数数≤.numsamples.。没有回归函数执行此调整。

要求

回归函数，特别是估计函数有几个要求。首先，它们必须具有一致的值numsamples.那numseries.，和numparams.。通常，多变量正常回归函数需要

$数数 \times numseries. \leq. 最大限度 {numparams. 那 numseries. \times （ numseries. + 1 ） / 2}$

并且最小二乘回归功能需要

$数数 \times numseries. \leq. numparams. 那$

在哪里数数是估计中使用的实际样本数

$数数 \leq. numsamples. 。$

其次，他们必须有足够的非胶质值来融合。第三，他们必须有一个不合格的协方差矩阵。

尽管在参考文献中可以找到一些必要和充分的条件，但是在缺失数据情况下，缺失数据案件中的解决方案的存在和唯一性的一般条件不存在。金宝搏官方网站非归人通常是由于条件不良的协方差矩阵估计，这将更详细地讨论不准替换。

缓慢收敛

由于ECM算法的最坏情况融合是线性的，因此在算法终止之前可以执行数百个甚至数千个迭代。如果您使用常规更新定期使用ECM算法估算，您可以使用先前估计作为下一个时期估计的初始猜测。这种方法通常会加速事物，因为回归函数中的默认初始化设置了初始参数B.零和初始协方差C成为身份矩阵。

虽然大多数方法都是问题的，但其他简易方法是可能的。特别是，对于均值和协方差估计，估计函数Ecmnmle.使用功能Ecmninit.获得初始估计。

非谐波残差

同时估计参数B.和协方差C要求C是积极的。因此，一般多元正常回归例程需要非备别残余错误。如果您面临着具有精确结果的模型，则最小二乘常规EcmlSrmle.仍然有效，尽管它提供了与奇异残余协方差矩阵的最小二乘估计。另一个回归函数失败。

不准替换

虽然回归功能是最强大的，但对于大多数“典型”案例而言，它们可以无法收敛。主要故障模式是一个不良协方差矩阵，其中故障是柔软的或硬。软件失效无休止地朝向几个奇异的协方差矩阵，如果算法在大约100次迭代后未收敛，则可以发现。如果最大增加到500，并启动显示模式（没有输出参数），典型的软件失败看起来像这样。

这种情况，基于20个具有30％的资产的20个具有缺少的数据的观察，表明日志似然随着似然函数进入0.在这种情况下，功能会聚但是协方差矩阵有效单数与机器精度的顺序最小的特征值（eps.）。

对于这个功能Ecmnmle.，硬错误看起来像这样：

>在Ecmninit.在60 in.Ecmnmle.在140 ???错误使用==> ECMNMLE完全协方差在迭代218中没有正定的。

从实际的角度来看，如果有疑问，从回归例程中测试您的剩余协方差矩阵，以确保它是积极的。这很重要，因为软错误具有矩阵，它看起来是正定的，但实际上具有近零价值的特精度。用协方差估计来做到这一点协方差，用圣洁（协方差），任何值大于1 / EP.应该被认为是可疑的。

但是，如果发生了任何类型的故障，请注意回归例程表明数据可能存在错误。（即使没有缺少数据，两个时间序列与彼此成比例，产生了单次协方差矩阵。）

也可以看看