我听说可以通过反转协方差矩阵并从所得的精度矩阵中提取适当的单元来找到随机变量之间的局部相关性(此事实在http://en.wikipedia.org/wiki/Partial_correlation中已提及,但没有证明) 。
为什么会这样呢?
我听说可以通过反转协方差矩阵并从所得的精度矩阵中提取适当的单元来找到随机变量之间的局部相关性(此事实在http://en.wikipedia.org/wiki/Partial_correlation中已提及,但没有证明) 。
为什么会这样呢?
Answers:
当多元随机变量具有非简并协方差矩阵,所有实线性组合形成一个维实向量空间为和一个非简并的内积Ç = (γ 我Ĵ)= (冠状病毒(X 我,X Ĵ))X 我 Ñ Ë = (X 1,X 2,... ,X Ñ)
其对偶基相对于该内积,,唯一地由关系定义
Kronecker符号(等于时和否则)。我= j 0
这里有个对偶基础,因为和的部分相关性是通过将投影到所有其他向量所跨越的空间后剩下的部分之间的相关性而获得的(简称为“残差”,)和的可比较部分,即其剩余。然而是一个矢量正交于除了所有向量和具有正内积与何处必须的一些非负多个,并且同样地对于X Ĵ X 我X 我∘ X Ĵ X Ĵ ∘ X *我 X 我X 我X 我∘ X *我 X Ĵ。因此,让我们写
对于正实数和。λ Ĵ
偏相关是残差的归一化点积,通过重新缩放该比例积不变:
(无论哪种情况,只要残差正交,偏相关将为零,无论它们是否非零。)
我们需要找到双重基础元素的内积。 为此,请扩展原始基础对偶基础元素:
然后根据定义
在的矩阵表示法中,单位矩阵和的基础变化矩阵表示如下:乙 = (β 我Ĵ)
也就是说,,这正是Wikipedia文章所宣称的。先前的偏相关公式给出
这只是矩阵计算的证明。
我赞赏胡夫的回答。这对幕后的数学非常有见地。但是,如何使用他的答案在Wikipedia Partial_correlation#Using_matrix_inversion中所述的公式中获得减号仍然不是一件容易的事。
为了得到这个减号,这是我在“ Graphical Models Lauriten 1995 Page 130”中找到的另一种证明。只需通过一些矩阵计算即可完成。
关键是以下矩阵身份: 其中E = A − B D − 1 C,F = D − 1 C和G = B D −
记下的协方差矩阵为 其中,Ω 11是的协方差矩阵(X 我,X Ĵ)和Ω 22是协方差矩阵V ∖ { X 我,X Ĵ }。
设。同样,将P记为 P = (P 11 P 12 P 21 P 22)
通过键矩阵身份,
我们也知道,是协方差矩阵(X 我,X Ĵ)| V ∖ { X i,X j }(来自Multivariate_normal_distribution#Conditional_distributions)。因此,该部分相关是 ρ X 我X Ĵ ⋅ V ∖ { X 我,X Ĵ } = [ 我用的符号,所述(ķ,升)基质的个条目中号被表示为[中号]ķ升。
i=j
,那么rho_ii V\{X_i, X_i} = -1
,我们如何解释精度矩阵中的那些对角线元素?