Noter til E6 - dirac
Noter til E6 - dirac
Noter til E6 - dirac
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
7 Lineære normale modeller<br />
Dette kapitel præsenterer de klassiske lineære normalfordelingsmodeller<br />
som variansanalyse og regressionsanalyse formuleret i lineær algebrasprog.<br />
7.1 Estimation og test, generelt<br />
Vi vil studere den generelle model der siger at y er en observation af en<br />
n-dimensionalt normalfordelt stokastisk variabel Y med middelværdivektor<br />
µ og variansmatrix σ 2 I; det antages at parameteren µ er et punkt<br />
i underrummet L af V = R n , og at σ 2 > 0, dvs. parameterrummet<br />
er L × ] 0 ; −∞ [. En sådan model kaldes en lineær normal model fordi<br />
middelværdien <strong>til</strong>hører et lineært underrum L.<br />
Likelihoodfunktionen svarende <strong>til</strong> observationen y er<br />
L(µ, σ 2 1<br />
) =<br />
(−<br />
(2π) n/2 (σ 2 ) exp 1 ‖y − µ‖ 2 )<br />
n/2 2<br />
σ 2 .<br />
Estimation<br />
Lad p betegne ortogonalprojektionen af V = R n på L. For et vilkårligt<br />
z ∈ V er z = (z − pz) + pz hvor z − pz ⊥ pz, og dermed er ‖z‖ 2 =<br />
‖z − pz‖ 2 + ‖pz‖ 2 (Pythagoras); anvendt på z = y − µ giver det at<br />
‖y − µ‖ 2 = ‖y − py‖ 2 + ‖py − µ‖ 2<br />
hvoraf følger at L(µ, σ 2 ) ≤ L(py, σ 2 ) for ethvert σ 2 , dvs. maksimaliseringsestimatet<br />
for µ er py. Ved sædvanlige metoder finder man at<br />
L(py, σ 2 ) maksimaliseres med hensyn <strong>til</strong> σ 2 når σ 2 er lig 1 n ‖y − py‖2 .<br />
Fra sætning 6.6 anvendt på X − µ ved vi at ‖X − pX‖ 2 er χ 2 -fordelt<br />
med n − dim L frihedsgrader og skalaparameter σ 2 , specielt har den middelværdi<br />
(n − dim L)σ 2 . Vi har hermed vist<br />
Sætning 7.1<br />
I den generelle lineære model gælder at<br />
◦ Middelværdivektoren µ estimeres ved ̂µ = py, altså projektionen af<br />
y vinkelret ned på L.<br />
◦ Variansen σ 2 estimeres centralt ved s 2 1<br />
=<br />
n−dim L ‖y − py‖2 .<br />
Maksimaliseringsestimatoren for σ 2 er ̂σ 2 = 1 n ‖y − py‖2 .<br />
81