(Tarafsız) varyans tahmincisi paydası olan olduğu gibi gözlemler ve sadece bir parametre tahmin ediliyor.
Aynı şekilde , iki parametre tahmin edilirken neden kovaryans paydasının olması gerektiğini merak ediyorum ?
(Tarafsız) varyans tahmincisi paydası olan olduğu gibi gözlemler ve sadece bir parametre tahmin ediliyor.
Aynı şekilde , iki parametre tahmin edilirken neden kovaryans paydasının olması gerektiğini merak ediyorum ?
Yanıtlar:
Size bir sezgi vermek için özel bir durum; aşağıdakileri düşünün:
İkincisi dolayı mutlusunuz. Bessel düzeltmesi.
Ancak değiştirilmesi ile in önceki için verir , peki şimdi boşluğu doldurmanın en iyi yolu ne olabilir?X ^ C o v ( X , Y ) ∑ n i = 1 ( X i - ¯ X ) ( X i - ¯ X )
Hızlı ve kirli bir cevap ... İlk olarak düşünelim ; Beklenen değeri olan gözleminiz varsa varyansı tahmin etmek için kullanırsınız.n- D ( x ) = 0 1
Beklenen değer olan bilinmeyen, kendi dönüştürebilir içine gözlemleri alarak bilinen beklenen değerle gözlemler için . Payda olan bir formül alacaksınız - ancak bağımsız değil ve bunu gerekecek; sonunda normal formülü bulursunuz.
Şimdi kovaryans durumunda aynı fikri kullanabilirsiniz: beklenen değeri ise idi , bir olsaydı formülü. Çıkarılarak diğer tüm gözlenen değerlere elde edersiniz bilinen beklenen değerle gözlemleri ... ve formülde - bir kez daha, bu tanıtır bazı bağımlılık içine almak hesap.
PS Bunu yapmanın temiz yolu, in ortonormal bir temelini seçmek , yani vektörleri öyle ki
Daha sonra değişkenlerini tanımlayabilirsiniz ve . bağımsız değeri beklenen , ve orijinal değişken ile aynı varyans / kovaryans sahiptir.
Mesele şu ki, bilinmeyen beklentiden kurtulmak istiyorsan, bir (ve sadece bir) gözlemi bırakman. Bu her iki durumda da aynı şekilde çalışır.
Burada, " paydaslı p-değişken örnek kovaryans tahmin edicisinin kovaryans matrisinin tarafsız bir tahmincisi olduğuna dair bir kanıt :
.
Göstermek için:
İspat:
Sonraki:
(1)
(2)
Bu nedenle:
Ve böylece , son payda ile tarafsızdır. köşegen dışı elemanları sizin bireysel örnek kovaryanslarınızdır.
Ek açıklamalar:
N çizer bağımsızdır. Bu, (2) 'de örnek ortalamanın kovaryansını hesaplamak için kullanılır.
(1) ve (2)
Adım (2),
Sanırım 'n-1' kullanmanın ardında sezgiyi oluşturmanın bir yolu ve 'n-2' değil - eş değişkenliği hesaplamak için hem X hem de Y'yi de tanımlamak zorunda değiliz;
1) Başlat .
2) Örnek kovaryansı, . İki kaybetmek ; biri dan, biri dan , sonuçlanır .
3) Bununla birlikte, sadece içeren , ayrı terimler, her ürünün bir. İki sayı bir arada çarpıldığında, her bir ayrı sayıdaki bağımsız bilgi kaybolur.
Bir örnek olarak, bunu göz önünde bulundurun
,
ve bu, irrasyonel ve kesirleri içermez, örneğin , böylece iki sayı serisini birlikte çarptığımızda ve ürünlerini incelediğimizde, gördüğümüz tek şey Orijinal sayıların yarısını kaybettiğimiz için bir sayı serisinden, yani, bu iki sayının çift sayı grubundan bir sayıya (yani çarpma) geçmeden önce ne olduğu idi.
Başka bir deyişle, genelliği kaybetmeden yazabilir
, bazı ve ,
yani, ve, . Kaynaktan sonra açıkça sahip 's, , kovaryans formül olur
.
Böylece, sorunun cevabı gruplama ile yarıya indirgenmiş olmasıdır.
Hold
?