多元正态回归
本节提供一些指针来处理可能发生的各种技术和操作困难。
有偏见的估计
如果忽略样本，则用于估计的样本数量小于NumSamples．显然，实际使用的样本数量必须足以获得估计。此外，虽然模型参数参数(或者是说估计的意思是)为无偏极大似然估计，残差协方差估计协方差是有偏见的。要转换成无偏协方差估计，请乘协方差通过
在哪里数实际使用的样本数量是用在估算的吗数≤NumSamples．没有回归函数执行这种调整。
需求
回归函数，特别是估计函数，有几个要求。首先，它们必须具有一致的值NumSamples，NumSeries,NumParams．作为一个规则，多元正态回归函数要求
和最小二乘回归函数的要求
在哪里数实际使用的样本数量是用在估算的吗
其次，它们必须有足够的非缺失值来收敛。第三，它们必须有一个非退化协方差矩阵。
虽然在文献中可以找到一些充要条件，但是在缺少数据的情况下解存在唯一性的一般条件是不存在的。万博 尤文图斯非收敛性通常是由于病态协方差矩阵估计，这将在Nonconvergence．
收敛速度慢
由于ECM算法的最坏情况收敛是线性的，所以在算法终止前可能会执行数百次甚至数千次迭代。如果您定期使用ECM算法进行估计和定期更新，则可以使用之前的估计作为下一阶段估计的初始估计。这种方法通常会加快速度，因为回归函数中的默认初始化设置了初始参数b到零和初始协方差C是单位矩阵。
其他临时的方法是可能的，尽管大多数方法是依赖于问题的。特别是均值和协方差估计，估计函数ecmnmle使用一个函数ecmninit以获得初步估计。
非随机的残差
参数的同时估计b和协方差C需要C正定。因此，一般的多元正态回归程序需要非退化残差。如果你面对的模型有精确的结果，最小二乘程序ecmlsrmle尽管它提供了一个奇异残差协方差矩阵的最小二乘估计，但仍然有效。其他回归函数失败。
Nonconvergence
尽管回归函数是稳健的，并且适用于大多数“典型”情况，但它们可能无法收敛。主要的失效模式是一个病态协方差矩阵，其中失效要么是软的，要么是硬的。一个软故障不断地向一个近乎奇异的协方差矩阵漂移，如果算法在大约100次迭代后没有收敛，就会被发现。如果MaxIterations增加到500，并启动显示模式(没有输出参数)，典型的软故障如下所示。
这种情况是基于对5个资产的20次观察，其中30%的数据丢失，结果表明，随着似然函数趋于0，对数似然线性趋于无穷。在这种情况下，函数是收敛的，但协方差矩阵是有效奇异的，其特征值在机器精度(每股收益）.
函数的ecmnmle，一个硬错误看起来像这样:
>在ecmninit在60ecmnmle在140 ? ?在迭代中使用==> ecmnmle的误差218。
从实用的角度来看，如果有疑问，从回归例程中测试残余协方差矩阵，以确保它是正定的。这是重要的，因为软误差有一个矩阵，它看起来是正定的，但实际上有一个接近零的特征值，在机器精度之内。用协方差估计来做这个协方差,使用电导率(协方差)，其中任何值大于1 /每股收益应该被认为是可疑的。
但是，如果出现任何一种类型的故障，请注意回归例程表明数据可能有问题。(即使没有丢失的数据，两个相互成比例的时间序列也会产生一个奇异的协方差矩阵。)
另请参阅
mvnrmle|mvnrstd|mvnrfish|mvnrobj|ecmmvnrmle|ecmmvnrstd|ecmmvnrfish|ecmmvnrobj|ecmlsrmle|ecmlsrobj|ecmmvnrstd|ecmmvnrfish|ecmnmle|ecmnstd|ecmnfish|ecmnhess|ecmnobj|convert2sur|ecmninit
相关的话题
你也可以从以下列表中选择一个网站:
