Гессиан отрицательной функции логарифмической правдоподобности
Hessian = ecmnhess(Data,Covariance)NUMPARAMS- NUMPARAMS Матрица гессиана наблюдаемой отрицательной логарифмической правдоподобности функционирует на основе текущих оценок параметра.
Используйте ecmnhess после оценки среднего значения и ковариации Data с ecmnmle.
Hessian = ecmnhess(___,InvCovar,MatrixType)InvCovar и MatrixType.
В этом примере показано, как вычислить Гессиан для отрицательной функции логарифмической правдоподобности в течение пяти лет ежедневных данных о совокупном доходе для 12 запасов компьютерной технологии с шестью оборудованием и шестью компаниями-разработчиками программного обеспечения
load ecmtechdemo.matПериод времени для этих данных расширяет с 19 апреля 2000 до 18 апреля 2005. Шестым запасом в Активах является Google (GOOG), который начал торговать 19 августа 2004. Так, все возвращается, до 20 августа 2004 отсутствуют и представленные как NaNs. Кроме того, Amazon (AMZN) имел несколько дней с отсутствующими значениями, рассеянными в течение прошлых пяти лет.
[ECMMean, ECMCovar] = ecmnmle(Data)
ECMMean = 12×1
0.0008
0.0008
-0.0005
0.0002
0.0011
0.0038
-0.0003
-0.0000
-0.0003
-0.0000
⋮
ECMCovar = 12×12
0.0012 0.0005 0.0006 0.0005 0.0005 0.0003 0.0005 0.0003 0.0006 0.0003 0.0005 0.0006
0.0005 0.0024 0.0007 0.0006 0.0010 0.0004 0.0005 0.0003 0.0006 0.0004 0.0006 0.0012
0.0006 0.0007 0.0013 0.0007 0.0007 0.0003 0.0006 0.0004 0.0008 0.0005 0.0008 0.0008
0.0005 0.0006 0.0007 0.0009 0.0006 0.0002 0.0005 0.0003 0.0007 0.0004 0.0005 0.0007
0.0005 0.0010 0.0007 0.0006 0.0016 0.0006 0.0005 0.0003 0.0006 0.0004 0.0007 0.0011
0.0003 0.0004 0.0003 0.0002 0.0006 0.0022 0.0001 0.0002 0.0002 0.0001 0.0003 0.0016
0.0005 0.0005 0.0006 0.0005 0.0005 0.0001 0.0009 0.0003 0.0005 0.0004 0.0005 0.0006
0.0003 0.0003 0.0004 0.0003 0.0003 0.0002 0.0003 0.0005 0.0004 0.0003 0.0004 0.0004
0.0006 0.0006 0.0008 0.0007 0.0006 0.0002 0.0005 0.0004 0.0011 0.0005 0.0007 0.0007
0.0003 0.0004 0.0005 0.0004 0.0004 0.0001 0.0004 0.0003 0.0005 0.0006 0.0004 0.0005
⋮
Выполнять отрицательную функцию логарифмической правдоподобности для ecmnmle, используйте ecmnhess на основе текущего наибольшего правдоподобия параметр оценивает для ECMCovar.
Hessian = ecmnhess(Data,ECMCovar)
Hessian = 90×90
107 ×
0.0001 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0.0000 0.0001 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 -0.0000 0.0002 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 -0.0000 -0.0000 0.0003 -0.0000 0.0000 -0.0000 -0.0000 -0.0001 -0.0001 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 -0.0000 -0.0000 -0.0000 0.0001 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 0.0000 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000 0.0000 0.0000 0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0002 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0004 -0.0000 -0.0000 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0000 -0.0000 -0.0000 -0.0001 0.0000 0.0000 -0.0000 -0.0000 0.0002 -0.0001 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0.0000 -0.0000 -0.0000 -0.0001 -0.0000 0.0000 -0.0000 -0.0000 -0.0001 0.0004 -0.0000 -0.0000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
⋮
Data данныеДанные в виде NUMSAMPLES- NUMSERIES матрица с NUMSAMPLES выборки NUMSERIES- размерный случайный вектор. Отсутствующие значения обозначаются NaNs.
Типы данных: double
Covariance — Параметр наибольшего правдоподобия оценивает для ковариации DataПараметр наибольшего правдоподобия оценивает для ковариации Data использование алгоритма ECM в виде NUMSERIES- NUMSERIES матрица.
InvCovar — Разложение Холесского ковариационной матрицы[ ] (значение по умолчанию) | матрица(Необязательно) Инверсия ковариационной матрицы в виде матричного использования inv как:
inv(Covariance)
Типы данных: double
MatrixType — Матричный формат'full' (значение по умолчанию) | вектор символов(Необязательно) Матричный формат в виде вектора символов со значением:
'full' — Вычисляет полную матрицу Гессиана.
'meanonly' — Вычисляет только компоненты матрицы Гессиана, сопоставленной со средним значением.
Типы данных: char
Hessian — Матрица гессианаМатрица гессиана, возвращенная как NUMPARAMSNUMPARAMS матрица наблюдаемой логарифмической правдоподобности функционирует на основе текущих оценок параметра, где NUMPARAMS = NUMSERIES * (NUMSERIES + 3)/2 если MatrixFormat = 'full'. Если MatrixFormat = 'meanonly', затем NUMPARAMS = NUMSERIES.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.