Наблюдаемая информация - Википедия - Observed information

В статистика, то наблюдаемая информация, или же наблюдаемая информация Фишера, - отрицательное значение второй производной ( Матрица Гессе ) из "логарифмическая вероятность "(логарифм функция правдоподобия ). Это основанная на сэмплах версия Информация Fisher.

Определение

Предположим, мы наблюдаем случайные переменные ${ Displaystyle X_ {1}, ldots, X_ {n}}$, независимые и одинаково распределенные с плотностью ж(Икс; θ), где θ - вектор (возможно, неизвестный). Тогда логарифмическая вероятность параметров ${ displaystyle theta}$ учитывая данные ${ Displaystyle X_ {1}, ldots, X_ {n}}$ является

${ displaystyle ell ( theta | X_ {1}, ldots, X_ {n}) = sum _ {i = 1} ^ {n} log f (X_ {i} | theta)}$.

Мы определяем наблюдаемая информационная матрица в ${ displaystyle theta ^ {*}}$ в качестве

${ Displaystyle { mathcal {J}} ( theta ^ {*}) = - left. nabla nabla ^ { top} ell ( theta) right | _ { theta = theta ^ { *}}}$

${ displaystyle = - left. left ({ begin {array} {cccc} { tfrac { partial ^ {2}} { partial theta _ {1} ^ {2}}} и { tfrac { partial ^ {2}} { partial theta _ {1} partial theta _ {2}}} & cdots & { tfrac { partial ^ {2}} { partial theta _ {1 } partial theta _ {p}}} { tfrac { partial ^ {2}} { partial theta _ {2} partial theta _ {1}}} и { tfrac { partial ^ {2}} { partial theta _ {2} ^ {2}}} & cdots & { tfrac { partial ^ {2}} { partial theta _ {2} partial theta _ { p}}} vdots & vdots & ddots & vdots { tfrac { partial ^ {2}} { partial theta _ {p} partial theta _ {1}}} & { tfrac { partial ^ {2}} { partial theta _ {p} partial theta _ {2}}} & cdots & { tfrac { partial ^ {2}} { partial theta _ {p} ^ {2}}} end {array}} right) ell ( theta) right | _ { theta = theta ^ {*}}}$

Во многих случаях наблюдаемая информация оценивается на оценка максимального правдоподобия.^[1]

Информация Fisher

В Информация Fisher ${ Displaystyle { mathcal {I}} ( theta)}$ это ожидаемое значение наблюдаемой информации за одно наблюдение ${ displaystyle X}$ распределены согласно гипотетической модели с параметром ${ displaystyle theta}$:

${ Displaystyle { mathcal {I}} ( theta) = mathrm {E} ({ mathcal {J}} ( theta))}$.

Приложения

В известной статье Брэдли Эфрон и Дэвид В. Хинкли ^[2] утверждал, что наблюдаемую информацию следует использовать, а не ожидаемая информация при использовании нормальные приближения для распределения оценки максимального правдоподобия.

Смотрите также

• Информационная матрица Фишера
• Информационная метрика Fisher

Рекомендации