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。
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
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。
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
并且最小二乘回归功能需要
在哪里数数
是估计中使用的实际样本数
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。
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。
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。
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。)
转换2sur.
|EcmlSrmle.
|Ecmlsrobj.
|Ecmmvnrfish.
|Ecmmvnrfish.
|Ecmmvnrmle.
|Ecmmvnrobj.
|Ecmmvnrstd.
|Ecmmvnrstd.
|ecmnfish.
|Ecmnhess.
|Ecmninit.
|Ecmnmle.
|Ecmnobj.
|ecmnstd.
|mvnrfish.
|mvnrmle.
|mvnrobj.
|mvnrstd.