Primero definamos los siguientes objetos: en un modelo estadístico que se usa para modelar en función de , hay parámetros designados por vector . Se permite que estos parámetros varíen dentro del espacio de parámetros . No estamos interesados en la estimación de todos estos parámetros, sino solo de un cierto subconjunto, digamos en de los parámetros que denotamos y que varía dentro del espacio de parámetros . En nuestro modelo las variables y los parámetrosMETROYXpagsθΘ ⊂Rpagsq≤ pθ0 0Θ0 0⊂RqMETROXθ ahora se asignarán como para explicar . Esta asignación está definida por y los parámetros.YMETRO
Dentro de este entorno, la identificabilidad dice algo sobre la equivalencia observacional . En particular, si los parámetros son identificables wrt entonces mantendrá que . En palabras, no existe un parámetro diferente vector que induciría el mismo proceso de generación de datos, dada nuestra especificación del modelo . Para hacer estos conceptos más concebibles, doy dos ejemplos.θ0M∄θ1∈Θ0:θ1≠θ0,M(θ0)=M(θ1)θ1M
Ejemplo 1 : Definir para ; el modelo estadístico simple :
y supongamos que (entonces ). Está claro que si o , siempre mantendrá que es identificable: el proceso que genera partir de tiene una relación con los parámetros y . Fijaciónθ=(a,b)X∼N(μ,σ2In);ε∼N(0,σ2eIn)M
Y=a+Xb+ε
(a,b)∈R2Θ=R2θ0=(a,b)θ0=aθ0YX1:1ab(a,b) , no será posible encontrar una segunda tupla en describa el mismo proceso de generación de datos.
R
Ejemplo 2 : Definir para ; el modelo estadístico más complicado :
θ=(a,b,c)X∼N(μ,σ2In);ε∼N(0,σ2eIn)M′
Y=a+X(bc)+ε
y supongamos que
(a,b)∈R2 y
c∈R∖{0} (entonces
Θ=R3∖{(l,m,0)|(l,m)∈R2}) Mientras que para
θ0, este sería un modelo estadístico identificable, esto no se cumple si uno incluye otro parámetro (es decir,
b o
c) ¿Por qué? Porque para cualquier par de , existen infinitamente muchos otros pares en el conjunto . La solución obvia al problema en este caso sería introducir un nuevo parámetro reemplace la fracción para identificar el modelo. Sin embargo, uno podría estar interesado en y como parámetros independientes para razones teóricas - los parámetros podrían corresponder a los parámetros de interés en un (económico) sentido teoría. (Por ejemplo, podría ser 'propensión al consumo' podría ser 'confianza', y es posible que desee estimar estas dos cantidades a partir de su modelo de regresión. Desafortunadamente, esto no sería posible).
(b,c)B:={(x,y)|(x/y)=(b/c),(x,y)∈R2}d=b/cbcbc