Mengamati informasi Fisher di bawah transformasi


9

Dari "Dalam Semua Kemungkinan: Pemodelan Statistik dan Inferensi Menggunakan Kemungkinan" oleh Y. Pawitan, kemungkinan parameterisasi ulang θ↦g(θ)=ψ didefinisikan sebagai

L∗(ψ)=max{θ:g(θ)=ψ}L(θ)
sehingga jika g adalah satu- ke-satu, lalu L∗(ψ)=L(g−1(ψ)) (hlm. 45). Saya mencoba untuk menunjukkan Latihan 2.20 yang menyatakan bahwa jika θ adalah skalar (dan saya menganggap bahwa g seharusnya juga merupakan fungsi skalar), maka
I∗(g(θ^))=I(θ^)|∂g(θ^)∂θ^|−2,
di mana
I(θ)=−∂2∂θ2l(θ)
adalah informasi Fisher yang diamati dan l(θ)=log⁡L(θ) .

Jika g adalah satu-ke-satu maka ini langsung menggunakan aturan rantai dan prinsip invarian. Saya hanya ingin tahu tentang beberapa hal:

  1. Mengapa dia bersikeras untuk menulis nilai absolut? Ini bisa ditinggalkan, kan?
  2. By ∂g(θ^)∂θ^ ia maksud adalah fungsi ∂g(θ)∂θ dievaluasi pada θ=θ^ , kan? Jika ini masalahnya, bukankah itu pilihan notasi yang buruk? Saya percaya bahwa notasi steno yang biasa untuk kata ini adalah ∂g(θ^)∂θ .
  3. Bagaimana ini ditunjukkan ketika g belum tentu satu-ke-satu?

Jawaban:


4
  1. Nilai absolut tidak perlu. Mungkin hanya salah ketik.

  2. Kamu benar. Notasi yang lebih baik lagi adalah .dg(θ)dθ|θ=θ^

  3. Itu tidak berlaku secara umum. Perbaiki beberapa dan tentukan oleh . Rhs tidak akan ditentukan karena turunannya nol untuk setiap .ψ0g:R→Rg(θ)=ψ0θ

Sebuah sketsa kasus biasa:

Untuk memuluskan satu-ke-satu dengan . Karena, , kita memiliki Oleh karena itu, gψ=g(θ)d/dψ=dθ/dψ⋅d/dθ

I∗(ψ)=−d2L∗(ψ)dψ2=−ddψ(dL∗(ψ)dψ)=−ddψ(dL∗(ψ)dθdθdψ)=−d2L∗(ψ)dθ2(dθdψ)2−dL∗(ψ)dθd2θdψ2dθdψ.
DL(g-1(g( θ )))/dθ=dL( θ )/dθ=0
I∗(g(θ^))=−d2L∗(g(θ^))dθ2(dθdψ)2−dL∗(g(θ^))dθd2θdψ2dθdψ=−d2L(g−1(g(θ^)))dθ2(dg(θ)dθ|θ=g−1(g(θ^)))−2−dL(g−1(g(θ^)))dθd2θdψ2dθdψ=I(θ^)(dg(θ)dθ|θ=θ^)−2,
di mana kami menggunakan .dL(g−1(g(θ^)))/dθ=dL(θ^)/dθ=0

1
Terima kasih telah mengatasi semua keraguan saya dan untuk contoh-contoh sederhana dengan konstanta . Sketsa kasus biasa Anda mirip dengan apa yang telah saya lakukan, jadi semuanya baik-baik saja. Terima kasih. g
— Stefan Hansen
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.