Según este artículo muy interesante en la revista Quanta: "Una prueba largamente buscada, encontrada y casi perdida" , se ha demostrado que dado un vector tiene una distribución gaussiana multivariante, y dados los intervalos I 1 , ... , I n centrado alrededor de las medias de los componentes correspondientes de x , entonces
(Desigualdad de correlación gaussiana o GCI; consulte https://arxiv.org/pdf/1512.08776.pdf para obtener una formulación más general).
Esto parece realmente agradable y simple, y el artículo dice que tiene consecuencias para los intervalos de confianza conjunta. Sin embargo, me parece bastante inútil a ese respecto. Supongamos que estamos estimando los parámetros , y encontramos estimadores ^ θ 1 , ... , ^ θ n que son (tal vez asintóticamente) conjuntamente normales (por ejemplo, el estimador MLE). Luego, si calculo intervalos de confianza del 95% para cada parámetro, el GCI garantiza que el hipercubo I 1 × ... I n es una región de confianza conjunta con una cobertura no menor que ( ... que es una cobertura bastante baja incluso para n moderado.
Por lo tanto, no parece una forma inteligente de encontrar regiones de confianza conjuntas: la región de confianza habitual para un gaussiano multivariado, es decir, un hiperelipsoide, no es difícil de encontrar si se conoce la matriz de covarianza y es más nítida. ¿Quizás podría ser útil encontrar regiones de confianza cuando se desconoce la matriz de covarianza? ¿Me puede mostrar un ejemplo de la relevancia de GCI para el cálculo de las regiones de confianza conjunta?