此问题处理线性模型的特定版本中的受限最大似然(REML)估计,即:
其中为(Ñ × p)矩阵由参数化α ∈ [R ķ,因为是Σ (α )。β是令人讨厌的参数的未知向量;兴趣是在估计α,我们有ķ ≤ p « Ñ。通过最大可能性估计模型没有问题,但是我想使用REML。众所周知,参见例如LaMotte的,即似然甲' ÿ,其中阿是任何半正交矩阵,使得可以写成
当为完整列等级时。
我的问题是,对于某些完全合理且科学有趣的,矩阵X (α )的列级不完整。所有我看到上面,使有限的可能性的推导使用决定等式是不适用的时候| X ' X | = 0,即它们假定X的完整列等级。这意味着以上限制的可能性仅对我在部分参数空间上的设置正确,因此不是我要优化的。
问题:在没有假设为完整列等级的情况下,是否有更一般的受限制的可能性在统计文献或其他文献中得出?如果是这样,它们是什么样的?
一些观察:
- 对于任何而言,导出指数部分都是没有问题的,并且可以按照上述Moore-Penrose逆来表示
- 的列是一个(任意)正交基Ç (X )⊥
- 对于公知的,对于似然甲' ý可以很容易地记录下来,每α,但基本向量,即列,在当然数量的阿取决于的列秩X
如果对这个问题感兴趣的人相信的确切参数设置会有所帮助,请告诉我,我将其写下来。不过,在这一点上,我最感兴趣的是具有正确尺寸的一般X的REML 。
该模型的详细说明如下。 让是- [R维一阶向量自回归[VAR(1)]其中,v 吨我我ð 〜 Ñ (0 ,Ω )。假设该过程在时间t = 0处以某个固定值y 0开始。
限定。该模型可以写成线性模型形式Ŷ = X β + ε使用下面的定义和表示法:
其中表示Ť -一和的维向量ë 1 ,Ť的第一标准基向量ř Ť。
表示。请注意,如果A不是完整等级,则X (α )不是完整列等级。例如,这包括y t的成分之一不依赖于过去的情况。
使用REML估计VAR的想法在例如预测回归文献中是众所周知的(例如,参见Phillips和Chen及其参考文献。)
可能有必要澄清一下,矩阵不是通常意义上的设计矩阵,它只是落在模型之外,除非有关于A的先验知识,据我所知,没有办法重新参数化它是完整的排名。
我已经在math.stackexchange上发布了一个与此问题相关的问题,从某种意义上说,对数学问题的答案可能有助于推导得出可以回答该问题的可能性。