Resposta curta ao OP
Não necessariamente, depende se o cone convexo estendido, variando o fora do intervalo do espaço de parâmetros, pode cobrir todo o espaço médio dos parâmetros. Uma situação é que seu modelo exponencial é super parametrizado, onde você não pode "preencher" todo o espaço variando 's; a outra situação é que sua família exponencial é curvada, o que também falha nessa tentativa. Veja também minha resposta AQUIλiλ
Eu realmente não quero transformar essa resposta em uma exposição do espaço médio dos parâmetros (talvez [Brown], mas longe de estar completo), mas parece inevitável agora, de acordo com discussões sucessivas. Realmente não sei se existem tratados dedicados ao espaço médio dos parâmetros, mas o espaço médio dos parâmetros fornece uma representação natural da família de medidas de probabilidade e, portanto, conveniente na análise convexa. Na maioria das aplicações estatísticas, a diferenciabilidade é muito forte para a realidade.
∙ Diferencialidade nos parâmetros wrt é geralmente assumida apenas para garantir algum tipo de consistência quando outras suposições são triviais ou muito complicadas para formalizar. Por exemplo, métodos de inicialização .
∙ Os parâmetros wrt de continuidade são uma suposição bastante moderada, e às vezes queremos assumi-lo mesmo que os dados coletados pareçam discretos. A continuidade permitirá um tipo de inferência local, mas alguma técnica de otimização perdeu seu poder. Por exemplo, método de gradiente mais rápido.
∙ parâmetros de convexidade wrt são a suposição mais fraca entre três, mas mesmo assim nem sempre queremos assumir isso. Por exemplo, função de perda côncava.
O espaço médio dos parâmetros é introduzido para fornecer à "família convexa" uma representação útil. Mais tarde, no estudo da positividade [Karlin], a dualidade entre o espaço médio dos parâmetros e a família de pms é muito útil. Existem outras motivações, como a dualidade de Frenchel, da análise convexa que explica por que estudamos o espaço médio dos parâmetros. Mas você pode ver que geralmente é introduzido algum tipo de subgradiente para modelar o espaço convexo após o espaço de Hilbert.
Agora, explicamos por que o espaço médio dos parâmetros é importante. Defina o cone duplo para um cone convexo Para um caso especial, o teorema da representação de Karlin-Shapley [Karlin & Shapley] nos disse que os raios / pontos extremos do cone duplo do momento em que o espaço associado à família está exatamente no limite de o espaço do parâmetro.C⊂Rn+1 C+:={v∈Rn+1:<v,u>≥0,∀u∈C}
Para que tipo de valores a família suficiente pode atingir, se as estatísticas suficientes também estiverem completas e tiverem a mesma dimensão do espaço do parâmetro, o
que significa que a estrutura da família exponencial é linear, acredito que, desde que Se o espaço do parâmetro não possui um limite degenerado, a expectativa de estatísticas suficientes pode atravessar todos os valores. Do ponto de vista da geometria, somente quando o cone duplo degenera, é possível atravessar todo o espaço, atingindo todos os "valores possíveis" que possivelmente possui.S(X)ES(X)ES(X)
Quando não está completo, com excesso de parâmetros ou curva, não tenho certeza.
No seu segundo exemplo, o cone duplo de espaço momentâneo é na verdade um cone estrito, enquanto no primeiro exemplo um cone degenerado (todo , imagine que o diâmetro de um cone tende a ). Mas ainda não estou claro como você alcança o resultado que reivindicou.R×R∞
Referência
[Brown] Brown, Lawrence D. "Fundamentos de famílias exponenciais estatísticas com aplicações na teoria da decisão estatística". Notas de aula-monografia série 9 (1986): i-279.
Karlin, Samuel. Positividade total. Vol. 1. Stanford University Press, 1968.
[Karlin & Shapley] Karlin, Samuel e Lloyd S. Shapley. Geometria de espaços momentâneos. No. 12. American Mathematics Soc., 1953.