Maksimum olabilirlik tahmininin geometrik yorumu


11

Franklin M. Fisher'ın Ekonometri'de Kimlik Sorunu kitabını okuyordum ve olasılık fonksiyonunu görselleştirerek tanımlamayı gösterdiği kısım ile karıştırdım.

Sorun şu şekilde basitleştirilebilir:

Bir regresyon için , burada , ve parametrelerdir. Varsayalım bir katsayısına sahiptir bire eşittir. Daha sonra uzayındaki olasılık fonksiyonu , gerçek parametreler vektörüne ve skaler katlarına karşılık gelen ışın boyunca bir çıkıntıya sahip olacaktır . Sadece verilen yer göz önüne alındığında , olasılık fonksiyonu ışının o düzlemle kesiştiği noktada benzersiz bir maksimuma sahip olacaktır.u i . i . d . N ( 0 , σ 2 I ) a b Y c c , a , b c = 1Y=a+Xb+uui.i.d.N(0,σ2I)abYcc,a,bc=1

Sorularım:

  1. Gösteride bahsedilen sırt ve ışın hakkında kişi nasıl anlamalı ve akıl yürütmelidir.
  2. Işın gerçek parametreler ve skalerler olduğundan, parametresinin gerçek değeri olduğu için ışın neden tarafından verilen düzlemde değil .cc=1c

Yanıtlar:


1

Bağlamdan ötürü bu pasaj biraz belirsiz ama bunu nasıl yorumladığım.

Varsayalım ki doğrusal bir regresyon yapmak istedim . Yazmaya olur burada . Eğer gerçek parametrelerdir sonra açıkça gerçek parametrelerdir .c Y = a + X b + u u N ( 0 , c 2 σ 2 ) Y = a 0 + X b 0 c Y = c a 0 + X c b 0 c YcYcY=a+Xb+uuN(0,c2σ2)Y=a0+Xb0cY=ca0+Xcb0cY

Sabit için, bu regresyon için olabilirlik fonksiyonunun ve noktasında benzersiz bir maksimumu vardır . Böylece, genel için gerçek parametrenin skaler çarpımlarının ışını, üç değişkenin bir fonksiyonu olarak olabilirlik fonksiyonunun sırtını oluşturur. Şimdi almak ile kesişecek düzlem.c Y a = c a 0 b = c b 0 c c = 1 c = 1ccYbir'=cbir0b'=cb0cc=1c=1

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