Je cherche la bonne terminologie statistique pour décrire le problème suivant.
Je veux caractériser un appareil électronique qui a une réponse linéaire
où est un terme dû au bruit de lecture de l'appareil. Afin de déterminer Je mesurerais une série de réponses et appliquez la boîte à outils de régression linéaire standard. Mais je ne sais passont exactement, car j'utilise une source qui est affectée par le bruit de tir. C'est-à-dire que je sais que si je règle le cadran de la source sur une certaine valeur puis (un gaussien avec une moyenne et variance ).
Cela ressemble à un modèle d'erreurs dans les variables de régression linéaire ( http://en.wikipedia.org/wiki/Errors-in-variables_models ), sans le fait que pour caractériser mon appareil sur toute sa plage d'entrée , pendant les mesures, je dois changer la valeur de, et maintenant la variance du n'est pas fixe, mais cela dépend (par J_i), bien qu'en raison du bruit de tir si cela ne signifie pas que la variance de est la même que la variance de .
Comment s'appelle ce modèle et y a-t-il des articles où je peux découvrir qu'un tel problème est abordé? Ou est-ce que je formule mal?
Réponses:
Le modèle de probabilité pour un tel bruit de tir est
Une bonne estimation deμ est la moyenne de X et une bonne estimation de (β0,β1) est fourni par les moindres carrés ordinaires, car les valeurs de Oui sont supposés indépendants, identiques et normaux.
L'estimation deσ2 donné par OLS est inapproprié ici, cependant, en raison du caractère aléatoire de X . L'estimation du maximum de vraisemblance est
Dans cette notation,SX est la moyenne X valeur, Sx y est la moyenne des produits de la X et Oui valeurs, etc.
Nous pouvons nous attendre à ce que les erreurs d'estimation standard dans les deux approches (OLS, qui n'est pas tout à fait raison, et MLE comme décrit ici) diffèrent . Il existe différentes manières d'obtenir les erreurs standard ML: consultez une référence. Parce que la probabilité logarithmique est relativement simple (en particulier lorsque le Poisson( μ ) la distribution est approximée par un Normal( μ , μ ) distribution pour les grands μ ), ces erreurs standard peuvent être calculées sous forme fermée si l'on le souhaite.
Par exemple, j'ai généré12 X valeurs d'un Poisson( 100 ) Distribution:
Ensuite, en définissantβ0= 3 , β1= Une / deux , et σ= 1 , J'ai généré 12 correspondant Oui valeurs:
La moyenneX la valeur est égale 99.4167 , l'estimation de μ . Les résultats OLS (identiques aux MLE des coefficients) estimentβ0 comme 1.24 et β1 comme 0.514271 . Il n'est pas surprenant de l'estimation de l'interception,β0 , s'écarte de sa vraie valeur de 3 , car ces X les valeurs restent loin de l'origine. L'estimation de la pente,β1 , est proche de la valeur réelle de 0.5 .
L'estimation OLS deσ2 est cependant 0.715 , inférieur à la valeur réelle de 1 . Le MLE deσ2 fonctionne à 0.999351 . (C'est un accident que les deux estimations soient faibles et que le MLE soit supérieur à l'estimation de l'OLS.)
La droite correspond à la fois à l'ajustement OLS et à l'estimation du maximum de vraisemblance pour le modèle de probabilité conjoint Poisson-Normal.
la source