(Bu Granger & Newbold (1986) "Öngörülen Ekonomik Zaman Serileri" nin bir uyarlamasıdır).
Yapım olarak, hata maliyet fonksiyonu olan . Bu, kritik bir varsayımı içerir (hata maliyeti fonksiyonunun sıfır civarında simetrik olduğu) -Farklı bir hata maliyeti fonksiyonunun, beklenen değerinin olarak şartlı beklenen değeri olması gerekmez . Bilinmeyen miktarlar içerdiğinden hata maliyeti işlevinizi en aza indiremezsiniz. Yani onun yerine beklenen değerini en aza indirmeye karar verdiniz. Sonra objektif fonksiyonunuz argdak.[ Y- g( X) ]2argmin
E[ Y- g( X) ]2= ∫∞- ∞[ y- g( X) ]2fY| X( y| x)dy
ki ikinci sorunuzu da cevapladığına inanıyorum. Beklenen değerin üzerinde koşullu olması sezgiseldir , çünkü göre tahmin etmeye / tahmin etmeye çalışıyoruz . Elde etmek için kareyi ayrıştırınX Y XYXYX
E[ Y- g( X) ]2= ∫∞- ∞y2fY| X( y| x)dy- 2 g( X)∫∞−∞yfY|X(y|x)dy+[g(X)]2∫∞−∞fY|X(y|x)dy
İlk terim içermez, bu nedenle minimizasyonu etkilemez ve göz ardı edilebilir. İkinci terimdeki integral, verilen koşullu beklenen değerine ve son terimdeki integral birliğe eşittir. YaniY Xg(X)YX
argming(x)E[Y−g(X)]2=argming(x){−2g(X)E(Y∣X)+[g(X)]2}
Birinci türev wrt olan en aza indirilmesi için birinci order duruma yol ikinci türevinin eşit ise olan bir minimum için yeterlidir.- 2 E ( Y ∣ X ) + 2 g ( X ) g ( X ) = E ( Y ∣ X ) 2 > 0g(X)−2E(Y∣X)+2g(X)g(X)=E(Y∣X)2>0
EK: "Topla ve çıkar" kanıtı yaklaşımının mantığı.
OP soruda belirtilen yaklaşımdan şaşkın, çünkü totolojik görünüyor. Toplama ve çıkarma taktiği kullanıldığında, toplanan ve çıkarılan terimin keyfi bir seçimi için objektif fonksiyonun belirli bir bölümünü sıfır yaparken, değer fonksiyonunu , yani objektifin değerini eşitlemez. işlevi aday küçültücüde değerlendirilir.
seçimi için değer fonksiyonuna sahibiz
Keyfi seçim için değerine sahibiz .V ( E ( Y ∣ X ) ) = E [ ( Y - E ( Y ∣ X ) ) 2 ∣ X ]g(X)=E(Y∣X)V(E(Y∣X))=E[(Y−E(Y∣X))2∣X]V ( h ( X ) ) = E [ ( Y - h ( X ) ) 2 ∣ X ]g(X) = h ( X)V( s ( X) ) = E[ ( Y- h ( X) )2∣ X]
Bunu iddia ediyorum
V( E( Y∣ X) ) ≤ V( s ( X) )
⇒ E( Y2∣ X) - 2 E[ ( YE( Y∣ X) ) ∣ X] +E[ (E( Y∣ X) )2∣ X]≤ E( Y2∣ X) - 2 E[ ( Yh ( X) ) ∣ X] +E[ (h(X) )2∣ X]
LHS ve RHS'nin ilk dönemi iptal edildi. Ayrıca dış beklentinin üzerinde koşullu olduğunu unutmayın . Koşullu beklentilerin özellikleri sayesindeX
. . . ⇒ - 2 E( Y∣ X)⋅E(Y∣X)+[E(Y∣X)]2≤−2E(Y∣X)h(X)+[h(X)]2
⇒0≤[E(Y∣X)]2−2E(Y∣X)h(X)+[h(X)]2
⇒0≤[E(Y∣X)−h(x)]2
, ise katı eşitsizliğe sahiptir . Yani küresel ve eşsiz minimize edici olan.
h(x)≠E(Y∣X)E(Y∣X)
Ancak bu aynı zamanda, "toplama ve çıkarma" yaklaşımının burada en aydınlatıcı kanıt yolu olmadığını söylüyor.