Matriz de informações de Fisher esperada para distribuição t de Student?

8

Estou tendo problemas para encontrar um recurso on-line que deriva da Matriz de Informações de Fisher esperada para a distribuição t do aluno univariada. Alguém conhece esse recurso?

Na ausência de qualquer recurso existente que deriva a matriz de informações de Fisher esperada para a distribuição t, eu mesmo estou tentando derivá-lo, mas estou preso. Aqui está o meu trabalho até agora:

v f ( y i )yit(μ,σ2,v) onde é o parâmetro dos graus de liberdade (df) (assumido fixo). Então: v

f(yi)=Γ(v+12)Γ(v2)πvσ2(1+1vσ2(yiμ)2)(v+1)2

Portanto, temos a seguinte função de probabilidade de log :

logf(yi)=logΓ(v+12)logΓ(v2)12log(πvσ2)+(v+1)2log[1+1vσ2(yiμ)2]

Aqui as primeiras equações derivadas :

μlogf(yi)=v+122vσ2(yiμ)1+1vσ2(yiμ)2σ2logf(yi)=12σ2(v+1)21vσ4(yiμ)21+1vσ2(yiμ)2

E aqui estão as equações da segunda derivada:

μ2logf(yi)=v+122vσ2+2dv2σ4(yiμ)2(1+1vσ2(yiμ)2)2μσ2logf(yi)=v+12{[2vσ24v2σ6(yiμ)2][1+1vσ2(yiμ)2]2[2vσ2+2v2σ4(yiμ)2]2[1+1vσ2(yiμ)2][1vσ4(yiμ)2]}/{[1+1vσ2(yiμ)2]4}.....really messy!(σ2)2logf(yi)=12σ4(v+1)21vσ6(yiμ)2[1+1vσ2(yiμ)2]2

Finalmente, a matriz de informações do pescador esperada é calculada da seguinte forma:

I=E([2μ2logf(yi)μσ2logf(yi)μσ2logf(yi)2(σ2)2logf(yi)])

No entanto, não tenho idéia de como calcular essas expectativas. Alguém está ciente de um recurso que fez isso? Honestamente, a única quantidade que eu estou interessado é: , faria alguém pelo menos possa me ajudar a calcular isso?E[2(σ2)2logf(yi)]

bayes003
fonte

Respostas:

3

Fui informado de que Lange e cols. 1989 derivaram as informações de Fisher esperadas para a distribuição t multivariada no Apêndice B. Portanto, obtive a resposta que queria, você pode considerar essa pergunta como respondida!

Em particular, usando o resultado de Lange et al, deduzi a seguinte Matriz de Informações de Fisher para a distribuição t univariada (com parâmetro fixo de graus de liberdade ):v

I=[v+1(v+3)σ200v2(v+3)σ4]
bayes003
fonte
1
Existe alguma referência em que a Matriz de Informações de Fisher foi derivada para parâmetros de graus variáveis ​​de liberdade, ou seja, Matriz de Informações tridimensional de Fisher, onde são fornecidas a escala, a localização e os graus de liberdade?
uday 30/09
1
Eu tenho a mesma pergunta. Temos uma matriz Fisher 3x3 que inclui o parâmetro nu?
Riemann1337
Resultado acima confirmado correto com a FisherInformationfunção inmathStatica
wolfies
1

Não é difícil (mas um pouco tedioso) usando a fórmula Primeiro, observe que, pela mudança das variáveis em qualquer integral envolvida, pode-se tomar nos cálculos.

I(μ,σ2)=E[((μlogf(Y))2(μlogf(Y))(σlogf(Y))(μlogf(Y))(σlogf(Y))(σ2logf(Y))2)].
yyμμ=0

Os cálculos baseiam-se na seguinte integral: Essa igualdade é obtida pela alteração das variáveis e com a ajuda da densidade da distribuição principal Beta .

I(λ,a,b):=0y2a1(1+1λy2)2a+b2dy=λa2B(a,b2).
yy2

Observe que o integrando é uma função par quando é um número inteiro par; portanto, 2a1

J(λ,a,b):=+y2a1(1+1λy2)p+1+b2dy=2I(λ,a,b)=λaB(a,b2).

Vou detalhar apenas o primeiro cálculo. Defina a constante de normalização da densidade.

K(ν,σ)=1B(12,ν2)1νσ2,

Alguém tem Desde que , encontramos O segundo cálculo é fácil:

E[(μlogf(Y))2]=K(ν,σ)(ν+1νσ2)2J(νσ2,32,ν+2).
B(12,ν2)B(32,ν+22)=B(12,ν2)B(32,ν2)B(32,ν2)B(32,ν+22)=(ν+1)1(ν+3)ν
E[(μlogf(Y))2]=νν+3(ν+1)(νσ2)1/22+3/2=ν+1(ν+3)σ2.
E[(μlogf(Y))(σlogf(Y))]=0
porque envolve apenas integrais de funções ímpares.

Finalmente, o cálculo de é o mais tedioso e Eu pulo. Seu cálculo envolve integrais com inteiro par, cujo valor é dado acima.

E[(σ2logf(Y))2]
J(νσ2,a,b)2a1

Fiz os cálculos e encontrei e isso simplifica para ν

(ν+1)24(νσ4)2K(ν,σ2)J(νσ2,52,ν)ν+12νσ6K(ν,σ2)J(νσ2,32,ν)+14σ4
ν2(ν+3)σ4.
Stéphane Laurent
fonte