【数值仿真】GM |
您所在的位置:网站首页 › 高斯马尔可夫假定是经典线性模型假设 › 【数值仿真】GM |
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述高斯—马尔可夫定理(Gauss–Markov theory)是指在给定经典线性回归的假定下,最小二乘估计量是具有最小方差的线性无偏估计量的这一定理。高斯--马尔可夫定理的意义在于,当经典假定成立时,我们不需要再去寻找其它无偏估计量,没有一个会优于普通最小二乘估计量。也就是说,如果存在一个好的线性无偏估计量,这个估计量的方差最多与普通最小二乘估计量的方差一样小,不会小于普通最小二乘估计量的方差。 在统计学中,高斯-马尔可夫定理是指在误差零均值,同方差,且互不相关的线性回归模型中,回归系数的最佳线性无偏估计就是最小方差估计。一般而言,任何回归系数的线性组合之BLUE(Best Linear Unbiased Estimators)就是它的最小方差估计。在这个线性回归模型中,其误差不需要假定为正态分布或独立同分布(而仅需要满足相关和方差这两个稍弱的条件)。 指在给定经典线性回归的假定下,最小二乘估计量是具有最小方差的线性无偏估计量的这一定理。高斯--马尔可夫定理的意义在于,当经典假定成立时,我们不需要再去寻找其它无偏估计量,没有一个会优于普通最小二乘估计量。也就是说,如果存在一个好的线性无偏估计量,这个估计量的方差最多与普通最小二乘估计量的方差一样小,不会小于普通最小二乘估计量的方差。 蒙特卡罗方法:是一种基于采样的随机近似方法,主要应用于随机采样、数学期望估计、定积分计算中。就是假设概率分布是已知的,然后通过采样获得概率分布的随机样本,得到了符合 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |