Por qué las personas a menudo optimizan el determinante de


8

Digamos que tengo un vector aleatorio YN(Xβ,Σ) y Σσ2I. Es decir, los elementos deY (dado Xβ) están correlacionados.

El estimador natural de β es (XΣ1X)1XΣ1Yy var(β^)=(XΣ1X)1

En un contexto de diseño, el experimentador puede jugar con el diseño, lo que dará como resultado diferentes X y Σ por lo tanto diferente var(β^). Para elegir un diseño óptimo, veo que las personas a menudo tratan de minimizar el factor determinante de(XΣ1X)1, ¿cuál es la intuición detrás de esto?

¿Por qué no, por ejemplo, minimiza la suma de sus elementos?

Respuestas:


12

Como criterio de diseño, para minimizar el determinante de (XΣ1X)1, que es lo mismo que maximizar el determinante de (XΣ1X), se conoce como diseño experimental D-óptimo. El determinante de una matriz de covarianza se conoce como la varianza generalizada, por lo que estamos minimizando la varianza generalizada. Otros criterios funcionales de la matriz de covarianza podrían usarse como criterio, pero lo que usted propone (minimizar la suma de sus elementos) no tiene mucho sentido. El criterio de D-optimización tiene la gran ventaja práctica de ser invariable bajo transformaciones lineales de las variables regresivas, lo cual es una gran ventaja práctica. Invariancia medios que la optimalidad no está influenciado por cosas tales como la elección de las unidades de medida, (como m o km ). Con criterios de optimización no invariables, el resultado podría depender de cosas tan irrelevantes como la elección de las unidades de medida.

Si busca en este sitio "D-óptimo", encontrará otras publicaciones relevantes.


Buena respuesta. Quizás una cosa para agregar sería el criterio de optimización A, que es el rastro de la matriz var-cov, por lo que aquí estamos minimizando la suma de las variaciones. Esto va un poco en la dirección de lo que preguntaba el OP.
Wolfgang

Wolfgang: Sí, pero el rastro (A)): ¡el criterio de optimización todavía no es invariable! Pero se puede usar, con cuidado ...
kjetil b halvorsen

Bien, buen punto.
Wolfgang

1
Por lo que puedo decir, esta respuesta solo proporciona una motivación para el diseño D-óptimo: que es invariante bajo transformaciones lineales. Si bien esta es una buena característica, para mí no parece realmente motivar por qué uno debería usar D-óptimo; muchas otras métricas también son invariables bajo transformaciones lineales y están vinculadas a preguntas reales de interés, como minimizar la varianza de un estimador de un contraste fijo de interés. ¡A menudo me pregunto por qué las personas usan D-óptimo y no han podido encontrar una buena razón!
Cliff AB

@Cliff AB: intentaré aumentar la respuesta
kjetil b halvorsen
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.