Çapraz kovaryans matrisinin sıfır olmadığından nasıl test edilir?


11

Çalışmamın arka planı :

Sırasıyla P ( X | Y ) ve P ( Y | X ) ' den (ilgi değişkenleri) ve Y'yi örneklediğimiz Gibbs örneklemesinde , burada X ve Y , k boyutlu rastgele vektörlerdir. Sürecin genellikle iki aşamaya ayrıldığını biliyoruz:XYP(X|Y)P(Y|X)XYk

  1. Tüm örnekleri attığımız Burn-in Period. Örnekleri ve Y 1Y t olarak belirtin .X1XtY1Yt
  2. "Sonrası yanma" biz örnekleri ortalama süresi, istenen nihai sonuç olarak.X¯=1ki=1kXt+i

Bununla birlikte, "yanma sonrası" sekansı numuneler bağımsız olarak dağıtılmaz. Bu nedenle, nihai sonucun varyansını incelemek istersem,Xt+1Xt+k

Var[X¯]=Var[i=1kXt+i]=1k2(i=1kVar[Xt+i]+i=1k1j=i+1kCov[Xt+i,Xt+j])

Burada terimi , i < j olan herhangi bir ( i , j ) için geçerli bir k × k çapraz kovaryans matrisidir .Cov[Xt+i,Xt+j]k×k(i,j)i<j

Örneğin,

Xt+1=(1,2,1)Xt+2=(1,0,2)Xt+3=(1,0,0)Xt+4=(5,0,1)

Sonra tahmin olabilir kovaryans matrisi ileCov[Xt+i,Xt+i+1]

13i=13(Xt+iμt+i)(Xt+i+1μt+i+1)

Şimdi ortaya çıkan tahminin sıfırdan farklı olup olmadığıyla ilgileniyorum, böylece varyans tahminime dahil etmem gerekiyor .Var[X¯]

İşte sorularım geliyor :

  1. Bu nedenle bu örnek dan P ( x t + i | Y'nin t + i ) . Bu yana , Y t + ı değişiyor, Bence x t + ı ve X, t + i + 1 , bu yüzden, aynı dağıtım değildir Cov [ X- T + ı , X, T + j ] ile aynı değildir Cov [ X- tXt+iP(Xt+i|Yt+i)Yt+iXt+iXt+i+1Cov[Xt+i,Xt+j]. Bu ifade doğru mu?Cov[Xt+i,Xt+i]
  2. (dizideki komşu örnekler) tahmin etmek için yeterli veriye sahip olduğumu varsayalım , kovaryans matrisinin önemli ölçüde sıfır olmayan bir matris olup olmadığını test etmenin herhangi bir yolu var mı? Genel olarak, son varyans tahminime dahil edilmesi gereken bazı anlamlı çapraz-kovaryans matrislerine rehberlik eden bir göstergeyle ilgileniyorum .Cov[Xt+i,Xt+i+1]

4
Aslında, bu oldukça iyi bir soru gibi görünüyor; Bazı insanların benden iyi cevaplar vermek için daha iyi yerleştirileceğini düşünüyorum, bu yüzden kısa süre içinde uygun olduğunda bunu tanıtmak istiyorum (üzerine bir ödül verin). [Kısa cevaplar: 1. Bu iki kovaryans farklı. 2. Ardışık değişkenlerin ilişkili olup olmadığını test etmenize gerek yoktur (en önemsiz durumlar hariç hepsi; algoritma bağımlı değişkenler üreterek çalışır) - korelasyonu test etmekten daha ilginçtir;] ... eğer İyi cevaplar görünmüyor Bu kısa yorumları tam cevaba genişleteceğim
Glen_b -Restate Monica

4
Görünüşe göre sorunuz başlık sorunuzdan çok daha geniş. Başlık sorunuza özel olarak değinen bir örnekte, kovaryans matrisinin köşegen olup olmadığını test etmeyi sağlayan Bartlett'in sferiklik testi vardır. Muhtemelen çapraz kovaryans senaryosuna uyarlamanız gerekir ("kovaryans matrisiniz" aslında gerçekten kovaryans matrisi değildir, çapraz kovaryans matrisidir; hem X_t hem de X_ { t + 1} birlikte). CC to @Glen_b.
amip

2
Kovaryansların az ya da çok geometrik olarak bozulma eğiliminde olduğunu ekliyorum (daha da uzaklaştıkça); uzaklarda zamanında değerleri çok düşük bir korelasyon (sahip olma eğilimi değil o birbirine yakın bazen oldukça bağımlı olabilir iken sıfır ama büyük ölçüde göz ardı).
Glen_b-Monica

1
@Tom 1. Yine de, sabit serilerle, çok uzak gecikmelerde (4 uzak değil!), ACF'ye ne olur? 2. MCMC'den üretilen değerlerin nasıl çalıştığı hakkında, keyfi zaman serileri hakkında söyleyemeyeceğiniz bir şey biliyorsunuz ... bunlar Markovian . Önceki yorumlarımın en yakın gecikmelerin geometrik bozulma göstermesi gerektiğini iddia etmediğini göreceksiniz (örneğin, gecikme 4'ten 3'ten daha yüksek bir korelasyon görmenin imkansız olduğunu söylemedim). Uzaklaştıkça ACF'de geometrik çürüme eğilimi (belirli koşullar varsa) hala devam edecektir.
Glen_b-Monica

2
Örnekleme süreniz çok kısaysa, çapraz kovaryans için son derece doğru tahminlere sahip değilseniz, çapraz kovaryans terimleri tahminlerinizin büyük standart hataya sahip olmasıyla uğraşmanız gerekebilir. Mevcut anlayışım göz önüne alındığında, korelasyonları test etme itirazımı daha da güçlü bir şekilde teyit edeceğim. Sıfır ve sıfır olmayan korelasyonlar için hipotez testi burada sorununuzu gidermez.
Glen_b

Yanıtlar:


1
  1. Xt+iP(Xt+i|Yt+i)Yt+iXt+iXt+i+1

Yt+i=y1Yt+i+1=y2P(Xt+i|Yt+i=y1)P(Xt+i+1|Yt+i+1=y2)XY{Yt}

P(Xt)=YP(Xt|Yt)dP(Yt),
XttP(Xt+i|Yt+i)=P(Xt+i+1|Yt+i+1)Yt+iYt+i+1P(Yt)Yt+i=y1Yt+i+1=y2t

Cov[Xt+i,Xt+j]Cov[Xt+i,Xt+i]

Evet, bu doğru - , yani X t ve X t + 1 t olsa daXt+1XtXtXt+1Yt=0.8Yt1+εtεtiidN(0,1)Yt=i=0t0.8iεtiVar(Yt)=i=0t0.82i=110.82YtiidN(0,110.82)YtYt+1Yt+1YtXt

  1. Cov [ X t + i , X t + i + 1 ] ' i (dizideki komşu örnekler) tahmin etmek için yeterli veriye sahip olduğumu varsayalım , kovaryans matrisinin önemli ölçüde sıfır olmayan bir matris olup olmadığını test etmenin herhangi bir yolu var mı? Genel olarak, son varyans tahminime dahil edilmesi gereken bazı anlamlı çapraz-kovaryans matrislerine rehberlik eden bir göstergeyle ilgileniyorum Cov[Xt+i,Xt+i+1]

k()0lTlT

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