Тип статистической модели
В статистике полупараметрическая модель — это статистическая модель , имеющая параметрические и непараметрические компоненты.
Статистическая модель — это параметризованное семейство распределений, индексированное параметром .
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- Параметрическая модель — это модель, в которой параметром индексации является вектор в трехмерном евклидовом пространстве для некоторого неотрицательного целого числа . [1] Таким образом, конечномерно и .
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle k}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle k}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \Theta \subseteq \mathbb {R} ^{k}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- В непараметрической модели множество возможных значений параметра является подмножеством некоторого пространства , которое не обязательно является конечномерным. Например, мы могли бы рассмотреть набор всех распределений со средним значением 0. Такие пространства являются векторными пространствами с топологической структурой , но не могут быть конечномерными, как векторные пространства. Таким образом, для некоторого, возможно, бесконечномерного пространства .
![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle V}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle V}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
- В полупараметрической модели параметр имеет как конечномерную, так и бесконечномерную составляющую (часто вещественную функцию, определенную на действительной прямой). Таким образом, , где – бесконечномерное пространство.
![{\displaystyle \Theta \subseteq \mathbb {R} ^{k}\times V}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle V}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
На первый взгляд может показаться, что полупараметрические модели включают в себя непараметрические модели, поскольку они имеют как бесконечномерную, так и конечномерную составляющую. Однако полупараметрическая модель считается «меньшей», чем полностью непараметрическая модель, поскольку нас часто интересует только конечномерная компонента . То есть бесконечномерная составляющая рассматривается как мешающий параметр . [2] В непараметрических моделях, напротив, основной интерес заключается в оценке бесконечномерного параметра. Таким образом, задача оценки статистически сложнее в непараметрических моделях.![{\ displaystyle \ theta }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Эти модели часто используют сглаживание или ядра .
Пример
Хорошо известным примером полупараметрической модели является модель пропорциональных рисков Кокса . [3] Если мы заинтересованы в изучении времени до такого события, как смерть из-за рака или выход из строя лампочки, модель Кокса задает следующую функцию распределения для :![{\displaystyle Т}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle Т}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle F(t)=1-\exp \left(-\int _{0}^{t}\lambda _{0}(u)e^{\beta x}du\right),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где – вектор ковариат, и – неизвестные параметры. . Здесь конечномерно и представляет интерес; представляет собой неизвестную неотрицательную функцию времени (известную как базовая функция риска) и часто является неприятным параметром . Множество возможных кандидатов на бесконечномерно.![{\displaystyle х}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \lambda _{0}(u)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \theta =(\beta,\lambda _{0}(u))}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \бета }](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \lambda _{0}(u)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \lambda _{0}(u)}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Смотрите также
Примечания
- ^ Бикель, П.Дж.; Клаассен, CAJ; Ритов Ю.; Веллнер, Дж. А. (2006), «Полупараметрика», Коц, С .; и другие. (ред.), Энциклопедия статистических наук , Уайли.
- ^ Оукс, Д. (2006), «Полупараметрические модели», Коц, С .; и другие. (ред.), Энциклопедия статистических наук , Уайли.
- ^ Балакришнан, Н.; Рао, ЧР (2004). Справочник по статистике 23: Достижения в анализе выживания. Эльзевир . п. 126.
Рекомендации
- Бикель, П.Дж.; Клаассен, CAJ; Ритов Ю.; Веллнер, Дж. А. (1998), Эффективная и адаптивная оценка полупараметрических моделей , Springer
- Хердле, Вольфганг; Мюллер, Марлен; Сперлих, Стефан; Верватц, Аксель (2004), Непараметрические и полупараметрические модели , Springer
- Косорок, Майкл Р. (2008), Введение в эмпирические процессы и полупараметрический вывод , Springer
- Циатис, Анастасиос А. (2006), Полупараметрическая теория и недостающие данные , Springer
- Бегун, Джанет М.; Холл, Вашингтон; Хуан, Вэй-Мин; Веллнер, Джон А. (1983), «Информация и асимптотическая эффективность в параметрических и непараметрических моделях», Анналы статистики, 11 (1983), вып. 2, 432--452