LÄ°NEER MODELLER

More documents

Recommendations

Info

156 4.2.3 3.DURUM (e- N(0,o2V)) Bu k ıs ımda ilk önce, v bilinen pozitif tan ıml ı bir matris olmak üzere Cov(e) = c?V durumu ele al ınacakt ır. Daha sonra Cov(e) = E ve E 'nin bir pozitif tan ıml ı matris olmas ı durumu ile ilgili baz ı sonuçlar verilecektir. Y = X fi+ e , e- N(0,47 2V) , V rank(X nxp ) = p modeli ııde ınatrisi cinsinden ayr ışıın ı , bilinen pozitif. tan ıml ı bir matris, matrisinin, rank(G,„„)= ıı olan bir G G'G olmak üzere modelin her iki tarafı soldan (G')-I ile çarp ıls ın. = (GT I Y - N((G') -1 Xfi,o 2 1) ıi=(G')-1 E- N(0, a2/) ve A = (G') -I X için model, = Afi+ olarak yaz ıld ığında, ii= A + Z= (A' A'Z 741 - AA +1Z r[V -1 -V -1X(X'V -I X) .-1 X'17-1k = ıl- p rı - p tahmin edicileri s ıras ıyla p ve 02 için düzgün minimum varyans yans ız (UMVU) tahmin edicilerdir. Bunlara Aitken tahmin edicileri denir. Ayr ıca, ve fi- N(fi,a2(X'V-1X)-1) dağıl ıml ıd ı r. p)E? 02 ( - p )
Y = Xfl+ e , e- N(0,) , E pozitif tan ıml ı matris, rank(Xnxp)= p modelinde fi para ınetre vektörünün en çok olabilirlik tahmin edicisini bulmaya kalk ıştığnn ızda, 157 i3= ( ırs-'xy'x's-ly biçiminde bir ifade ortaya ç ıkmaktad ır. E bilinmedi ğinden p bir tahmin edici olarak kullan ılamaz. Di ğer taraftan fi n ın en küçük kareler tahmin edicisi, ;6=(XPX) -1 X'Y d ır. Bu tahmin ediciye fi n ın al ışılmış en küçük kareler (ordinary least squares, OLS) tahmin edicisi denir. Do ğal olarak olduğunda OLS tahmin edicisi UMVU tahmin edicisi olmayacakt ır. Acaba hangi şartlarda OLS tahmin edicisi UMVU tahmin edicisi olmaktad ır? TEOREM 4.2.3.1 Y X fi+ e , e- N(0,E) tahmni edicisi (XPX) -1 X'Y gerek ve yeter şart, EX = XF modelinde en küçük kareler nin fi için UMVU tahmin edicisi olmas ı için olacak şekilde singüler olmayan bir F: p x p matrisinin var olmas ıdır. İSPAT: EX-= x/,' olacak şekilde sing,üler olmayan F:px p matrisi var olsun. O zaman, (x'x) - ' =(rx)--' p(p)-1 =[(p)-1(x ,x) -1(p) - i x'i = (x% - ',v) -1 x's-'
Page 1 and 2:
A.O.F.F. Döner Sermaye I şletmesi
Page 3 and 4:
İÇ İNDEK İLER Gösterimler 1.B
Page 5 and 6:
4.3.4 Tam Rankl ı Olmayan Modelde
Page 7 and 8:
I.Boıtim GENEL B İLGİLER 1 Bu b
Page 9 and 10:
Bildiğimiz gibi R reel say ılar,
Page 11 and 12:
Rix" nin elemanlar ın ı a'= (ai,a
Page 13 and 14:
ÖRNEK 1.2.2 R" standart vektör uz
Page 15 and 16:
ÖRNEK 1.2.6 Rnxin de A, B E R' iç
Page 17 and 18:
vektörleri (2,2,0) , (0,0,3) e R 3
Page 19 and 20:
olmak üzere Şekil 1.3.1 deki gös
Page 21 and 22:
olmak üzere, f, ya v vektörünün
Page 23 and 24:
v, = 1 —2 / — < X2,1, 1 > 1,111
Page 25 and 26:
19 /i4(M'M) -1 M'v = 3 0 = d ır. G
Page 27 and 28:
Tersine, bir An „,„ matrisi ve
Page 29 and 30:
TANIM 1.4.2 (6',lı bir lineer dön
Page 31 and 32:
25 olmak üzere M üzerine dik izd
Page 33 and 34:
27 (D: Rn x ın x Rn x ı» IZn x
Page 35 and 36:
5) A:n x n , A' A = I ise A matrisi
Page 37 and 38:
3) A: ıı x n matrisi için singü
Page 39 and 40:
A: ıı x matrisi simetrik olduğun
Page 41 and 42:
2.1.3 PARÇALANM1 Ş MATR İSLER ve
Page 43 and 44:
37 Pozitif tan ıml ı veya pozitif
Page 45 and 46:
1) A ve Bnxn tipinde iki matris ve
Page 47 and 48:
41 2.1.7 KARESEL ve L İNEER FORMLA
Page 49 and 50:
ISPAT: a) x = x'a = a1x1+a2x2+...+a
Page 51 and 52:
45 1 -1 112 x i 2X1 — 2X2 + X3 f
Page 53 and 54:
2.1.8 FONKS İ YONLAR1N MAKS İMUM
Page 55 and 56:
4? 2.2 L İNEER DENKLEM SISTEMLERIN
Page 57 and 58:
AA - A x o = AA - g 51 Ax o = AA -
Page 59 and 60:
6) (A'A); ve (A' A)7 matrisleri A'A
Page 61 and 62:
55 2.3 B İR OPTİMİZASYON PROBLEM
Page 63 and 64:
57 z = lim (A+ 81) -1 AA x o ' 6-4.
Page 65 and 66:
59 Şimdi b) şıkk ın ın ispat
Page 67 and 68:
2) A: ıı x nı ve rank(A) = m , y
Page 69 and 70:
63 14) A: ıı x ın ve I>: ıı x
Page 71 and 72:
24) Moore-Penrose genelle ştirilmi
Page 73 and 74:
Bu dört ko şulu sağlayan G ınat
Page 75 and 76:
2.4.2 {1,2}-KO ŞULLU İNVERSLER 69
Page 77 and 78:
71 2.4.4 {1,3}-KO ŞULLU ve { ı ,4
Page 79 and 80:
73 A * • I?'" --> I?" ıs' biçim
Page 81 and 82:
75 wi ı xi ı pozitif tatmini' bir
Page 83 and 84:
(A' A) 77 d ır. P = , Q = A 1-1 A2
Page 85 and 86:
79 PROBLEMLER 2.1 A bir matris olma
Page 87 and 88:
81 3.BÖLÜM NORMAL DA ĞILIMLI RAS
Page 89 and 90:
Çok de ği şkenli normal da ğı
Page 91 and 92:
Y vektörüntin yoğunl ıık fonks
Page 93 and 94:
3.2 ÇOK DE ĞİŞKENL İ NORMAL DA
Page 95 and 96:
89 Y - nıı,Z) Yl Y2 olmak üzere
Page 97 and 98:
asgele de E(Y — )= P + Ei2E —I
Page 99 and 100:
93 Y1 Y 1 TANIM 3.2.1 Y -= Y2 rasge
Page 101 and 102:
3.3 Ki-KARE DA ĞILIMI 95 Bir X r.d
Page 103 and 104:
2 X i 4n) i = 1 d ır. rasgele def,
Page 105 and 106:
99 jjı J .( ıı , ) {fv(v)..fu o
Page 107 and 108:
• • 101 fz (z)= ı =o e -n İ 2
Page 109 and 110:
X -(r) olmak üzere, 103 d ır. E(X
Page 111 and 112: 105 ıl +2j 2j + +12 ri PG( )( ) 2
Page 113 and 114: Y - N(0,1,) ve A reel simetrik bir
Page 115 and 116: idempotent olsun. C- !Be - I C- IBE
Page 117 and 118: k = r,2 111 Anx , reel simetrik bir
Page 119 and 120: 3.7 KARESEL FORMLARIN BEKLENEN DE
Page 121 and 122: 115 Coehran Teoremi karesel formlan
Page 123 and 124: 11Y11 2 Y 2 = Y ' Y de bir karesel
Page 125 and 126: karesel fondan]] da ğı l ımlan,
Page 127 and 128: 121 11 - N( ııp 0 , 02 1) 0 oldu
Page 129 and 130: 123 Birinci ve ikinci durumdaki var
Page 131 and 132: 125 olan elmadaki meyve suyu miktar
Page 133 and 134: S ıcakl ık ile bas ınc ın, sert
Page 135 and 136: görmek isteyece ğiz. Böyle durum
Page 137 and 138: 131 Y Yl - Y2 , X 1 1 c= El Yn _ _E
Page 139 and 140: I i 133 X = 1 1 1 ı 1 1 ı -n ı I
Page 141 and 142: 4.1.4 VARYANS B İLEŞENLER İ VE K
Page 143 and 144: ile ilgili üç farkl ı yöntem (d
Page 145 and 146: 139 1,4 X if3+ Xi 8i + , =1,2,..,m
Page 147 and 148: 141 4.2 PARAMETRE TAHM İNİ modeli
Page 149 and 150: 143 = X + Y + (I - X + X )z , z E R
Page 151 and 152: 145 = g(13, 62 „G, 02 )h(Y) biçi
Page 153 and 154: olmak üzere, x 4- (0 2 1)(1 - xx+)
Page 155 and 156: 149 ÖRNEK 4.2.1.1 Y = el Y2 e2 , X
Page 157 and 158: 151 c) E(&2 )= cr2 olduğundan '62
Page 159 and 160: 153 4.2.2 2.DURUM (c- (0,021)) Y =
Page 161: 155 (Ip n ın lineer yans ız tahmi
Page 165 and 166: 4.2.4 KARAR KURAMI AÇISINDAN PARAM
Page 167 and 168: 161 /3 n ın bir tahmin edicisinin
Page 169 and 170: tahmin ediciler vard ır. Ridge tah
Page 171 and 172: 165 r[XR]fl+[l cov( [ş_vl)_ 02 [01
Page 173 and 174: 167 ÖRNEK 4.2.5.1 Tasarım modelle
Page 175 and 176: 169 () 2' ES(X) /V= c'X , 3c ER" E(
Page 177 and 178: 171 Var (.1_:_:( S3) = G'ar(2.'(X'X
Page 179 and 180: F(X'Y)= X'Xfi olmas ı sebebiyle, x
Page 181 and 182: Şimdi G2 için UMVU tahmin edicisi
Page 183 and 184: 177 ÖRNEK 4.2.5.2 YR 110100 0- fi
Page 185 and 186: Şimdi sorumuza dönelim. Görüld
Page 187 and 188: 181 e) H= o 0 0 1 1 1 -t 0 0 0 -1 0
Page 189 and 190: t ı (Y) istatisti ğinin paydas ı
Page 191 and 192: 185 d ır. max L (Z „ e 2 6Q. yı
Page 193 and 194: 4.3.2 OLAB İL İRL İK ORAN İ TES
Page 195 and 196: 189 = X + Y-(x•x) -1 HIll(x'x) -
Page 197 and 198: 191 Cov(Hfl-h)=6-2H(X'X) -1 H' oldu
Page 199 and 200: 2. N o :13=h , h: p xl bilinen bir
Page 201 and 202: 195 > tl - a/2 (1 )9- a) 2 -1 1-a/2
Page 203 and 204: 197 W(Y) = 22 Q * £ -2 ıl— p ve
Page 205 and 206: matrisi elde edilsin. raıık(L' :k
Page 207 and 208: 4.4 Go VEN ARALIKLARI 201 Bu k ıs
Page 209 and 210: o2 parametresi için al ışılm ı
Page 211 and 212: H fl+Vq1..1 _ a.q p ‘frar(e' H fl
Page 213 and 214:
4.4.3 TAM RANKLI OLMAYAN MODELLERDE
Page 215 and 216:
noktalar ı olup, Y vektörünün b
Page 217 and 218:
modelinde bir xo noktas ında al ı
Page 219 and 220:
213 için .3:„-13 )co - z ı-pa N
Page 221 and 222:
215 n n n E(Yi — Y )(xi ijl =1=1
Page 223 and 224:
217 ifadesindeki e şitsizlikler, P
Page 225 and 226:
219 olmak üzere hipotez Ho Hfl= o
Page 227 and 228:
olmak üzere K ısmı 4.5.4 deki gi
Page 229 and 230:
4.5.6 KES İŞME NOKTASININ TAHM İ
Page 231 and 232:
225 (ni +112 - 4)â2 o-2 L(n i +n2
Page 233 and 234:
227 d ır. efi n ın UMVU tahmin ed
Page 235 and 236:
4.5.8 VARYANS ANALIZI TABLOSU 229 A
Page 237 and 238:
231 Birincisi Ii' y ı içeren, Y=
Page 239 and 240:
4.5.9 BİR FAKTÖRLÜ ve İKİ FAKT
Page 241 and 242:
1 9) s ci ai tahmin edilebilir line
Page 243 and 244:
en az / +.I -1 tane lineer ba ğım
Page 245 and 246:
8) Ho :a i = a2=...= a✓ Hi :enaz
Page 247 and 248:
241 tedbirleri almal ıy ız. Bu te
Page 249 and 250:
dır. I) Bu model (kabul edilen mod
Page 251 and 252:
245 4.4 Y = Xfl+s , e- N (0,u 2V) ,
Page 253 and 254:
247 4.10 Türkiye buğday üretimin
Page 255 and 256:
249 KAYNAKLAR Albert, A. ; Regressi
show all

LÄ°NEER MODELLER

Create successful ePaper yourself

Delete template?

Save as template?