1. Bayesian parameter estimation
-
Formulation
- Prior distribution
- Observation
- Cost
-
Solution
-
Specific case
-
MAE(Minimum absolute-error)
- is the median of the belief
-
MAP(Maximum a posteriori)
-
BLS(Bayes’ least-squares)
-
-
-
proposition
-
unbiased:
-
誤差的協方差矩陣就是 belief(後驗分佈?)的協方差陣的期望
-
-
-
-
Orthogonality
Proof: omit
2. Linear least-square estimation
-
Drawback of BLS
- requires posterior , which needs and
- calculating posterior is complicated
- estimator is nonlinear
-
Definition of LLS
- 注意 是一個隨機變量,是關於 的一個函數
- LLS 與 BLS 都是假設 x 爲一個隨機變量,有先驗分佈,不同之處在於 LLS 要求估計函數爲關於觀測值 y 的線性函數,因此 LLS 只需要知道二階矩,而 BLS 需要知道後驗均值
-
Property
-
Orthogonality
-
推論:由正交性可得到
Proof: x 可以是向量
:反證法
- suppose ,take
then
與 LLS 的定義矛盾;
Take
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ M &= E\left[(\…
由於 ,LLS 的 MSE 應當最小
由於 正定,因此應有
故:suppose another linear estimator
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ E\left[(\hat x…
第三個等號是由於同樣的根據上面 可得到 有最小的 MSE
-
-
聯合高斯分佈的情況
- 定理:如果 x 和 y 是聯合高斯分佈的,那麼
證明: 也是高斯分佈
由於 ,故 與 y 相互獨立
- 通常如果只有聯合二階矩信息,那麼 LLS 是 minmax
- 定理:如果 x 和 y 是聯合高斯分佈的,那麼
3. Non-Bayesian formulation
-
Formulation
- observation: distribution of y parameterized by x,
not conditioned on x,
此時 x 不再是一個隨機變量,而是未知的一個參數 - bias:
- 誤差協方差矩陣
- observation: distribution of y parameterized by x,
-
**有效(valid)**估計器不應當顯式地依賴於 x
-
MVU: Minimum-variance unbiased estimator
- 在 MMSE 條件下最優估計就是 MVU 估計
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ MSE &= E[e^2]=…
- 在 MMSE 條件下最優估計就是 MVU 估計
-
MVU 可能不存在
- 可能不存在無偏估計,即
- 存在無偏估計 ,但是不存在某個估計量在所有情況(任意 x)下都是最小方差
4. CRB
定理:滿足正規條件時
有
其中 Fisher 信息爲
證明:取 ,有
備註
- 正規條件不滿足時,CRB 不存在
- Fisher 信息可以看作 的曲率
4. 有效估計量
-
定義:可以達到 CRB 的無偏估計量
-
有效估計量一定是 MVU 估計量
-
MVU 估計量不一定是有效估計量,也即 CRB 不一定是緊緻(tight)的,有時沒有估計量可以對所有的 x 達到 CRB
-
性質:(唯一的、無偏的,可以達到 CRB)
證明:有效估計量 可以達到 CRB 取等號 取等號
5. ML estimation
- Definition
Proposition: if efficient estimator exists, it’s ML estimator
Proof:
由於有效(valid)估計器不應當依賴於 x,因此上式中 x 取任意一個值都應當是相等的,可取
備註:反之不一定成立,即 ML 估計器不一定是有效的,比如有時候全局的有效估計器(efficient estimator)不存在,也即此時按公式計算得到的 實際上是依賴於 x 的,那麼此時就不存在一個全局最優的估計器,此時的 ML 估計器也沒有任何好的特性。
其他內容請看:
統計推斷(一) Hypothesis Test
統計推斷(二) Estimation Problem
統計推斷(三) Exponential Family
統計推斷(四) Information Geometry
統計推斷(五) EM algorithm
統計推斷(六) Modeling
統計推斷(七) Typical Sequence
統計推斷(八) Model Selection
統計推斷(九) Graphical models
統計推斷(十) Elimination algorithm
統計推斷(十一) Sum-product algorithm