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:
- Tüm örnekleri attığımız Burn-in Period. Örnekleri ve Y 1 ∼ Y t olarak belirtin .
- "Sonrası yanma" biz örnekleri ortalama süresi, istenen nihai sonuç olarak.
Bununla birlikte, "yanma sonrası" sekansı numuneler bağımsız olarak dağıtılmaz. Bu nedenle, nihai sonucun varyansını incelemek istersem,
Burada terimi , i < j olan herhangi bir ( i , j ) için geçerli bir k × k çapraz kovaryans matrisidir .
Örneğin,
Sonra tahmin olabilir kovaryans matrisi ile
Şimdi ortaya çıkan tahminin sıfırdan farklı olup olmadığıyla ilgileniyorum, böylece varyans tahminime dahil etmem gerekiyor .
İşte sorularım geliyor :
- 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- t. Bu ifade doğru mu?
- (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 .