Gözlemlenen Fisher bilgileri neden tam olarak kullanılıyor?


17

Standart en yüksek olabilirlik ortamda (IID örnek yoğunluğu olan bir dağılımdan f y ( y | İçeride ISTV melerin RWMAIWi'nin 0 ve doğru bir şekilde belirtilen model halinde Fisher bilgisi ile verilir))Y1,,Ynfy(y|θ0

I(θ)=Eθ0[2θ2lnfy(θ)]

burada verileri üreten gerçek yoğunluğa ilişkin beklenti alınır. Gözlemlenen Fisher bilgilerinin

J^(θ)=2θ2lnfy(θ)

birincil olarak kullanılır, çünkü (beklenen) Fisher Bilgisinin hesaplanmasında kullanılan integral bazı durumlarda mümkün olmayabilir. Beni şaşırtan şey, integral yapılabilir olsa bile, bilinmeyen parametre değeri içeren gerçek modele ilişkin beklentinin alınması gerektiğidir . Eğer durum buysa, θ 0 bilmeden I hesaplamak mümkün değildir . Bu doğru mu?θ0θ0I

Yanıtlar:


13

Gerçek parametresini: Burada dört quanties var , tutarlı bir tahmin İçeride ISTV melerin RWMAIWi'nin , beklenen bilgi ı ( θ ) de İçeride ISTV melerin RWMAIWi'nin ve gözlenen bilgiler J ( θ ) de İçeride ISTV melerin RWMAIWi'nin . Bu miktarlar sadece asimptotik olarak eşdeğerdir, ancak tipik olarak bu şekilde kullanılırlar.θ0θ^I(θ)θJ(θ)θ

  1. Gözlemlenen bilgi olasılıkla beklenen bilgiye yakınsar I(θ0)=Eθ0[2

    J(θ0)=1Ni=1N2θ02lnf(yi|θ0)
    Y,f(θ0)'dan bir iid örneği olduğunda. BuradaEθ0(x),θ0 ileendekslenen dağılımın w / r / t beklentisini gösterir:xf(x|θ0)dx. Bu yakınsama, çok sayıda yasa nedeniyle geçerlidir, bu nedenleYf(
    I(θ0)=Eθ0[2θ02lnf(y|θ0)]
    Yf(θ0)Eθ0(x)θ0xf(x|θ0)dx burada çok önemlidir.Yf(θ0)
  2. Eğer bir tahmin var zaman İçeride ISTV melerin RWMAIWi'nin gerçek parametreye olasılık yakınsak olduğu θ 0 (yani tutarlı) daha sonra her yerde bunu yerine kullanabilirsiniz Eğer bir bakın θ 0 esasen nedeniyle sürekli dönüşüm teoremi için, yukarıdaki * ve tüm yakınsamaların tutmaya devam ediyor.θ^θ0θ0

Aslında,biraz ince görünüyor.

düşünce

Tahmin ettiğiniz gibi, gözlemlenen bilgilerle çalışmak daha kolaydır, çünkü farklılaşma entegrasyondan daha kolaydır ve bunu bazı sayısal optimizasyonlar sırasında zaten değerlendirmiş olabilirsiniz. Bazı durumlarda (Normal dağılım) aynı olacaktır.

Efron ve Hinkley (1978) tarafından yazılan "Maksimum Olabilirlik Tahmincisinin Doğruluğunu Değerlendirme: Beklenen Balıkçı Bilgisine Karşı Gözlemleme" makalesi, sonlu örnekler için gözlemlenen bilgiler lehine bir tartışma yapmaktadır.


4

Efron & Hinkley'in teorik gözlemlerini (Andrew'un cevabında belirtilmiştir) destekleyici görünen bazı simülasyon çalışmaları var, işte hazırlıksız bildiğim biri: Maldonado, G. ve Greenland, S. (1994). Doğru model formu bilinmediğinde model tabanlı güven aralıklarının performansının karşılaştırılması. Epidemiyoloji, 5, 171-182. Çelişen herhangi bir çalışma görmedim. İlginç olduğunu bildiğim standart GLM paketleri Wald aralıklarını hesaplamak için beklenen bilgileri kullanıyor. Elbette bu, (doğal parametrede lineer GLM'lerde olduğu gibi) gözlemlenen ve beklenen bilgi matrisleri eşit olduğunda bir sorun değildir.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.