Saya tahu bahwa distribusi varians sampel
Dari fakta bahwa dapat diekspresikan dalam bentuk matriks,
(di mana A: simetris), dan itu bisa lagi diekspresikan dalam: (di mana Q: ortonormal, D: matriks diagonal).
Bagaimana dengan , dengan asumsi ?
Saya pikir
Tapi saya tidak tahu bagaimana membuktikan atau menunjukkannya.
Apakah didistribusikan persis seperti ?
Jawaban:
Kami dapat membuktikan ini untuk kasus yang lebih umumhal variabel dengan menggunakan "hat matrix" dan beberapa properti yang berguna. Hasil ini biasanya jauh lebih sulit untuk dinyatakan dalam istilah non-matriks karena penggunaan dekomposisi spektral.
Sekarang dalam versi matriks kuadrat terkecil, matriks topi adalahH= X(XTX)- 1XT dimana X telah n baris dan p + 1 kolom (kolom yang untuk β0 ). Asumsikan peringkat kolom lengkap untuk kenyamanan - jika tidak Anda bisa menggantip + 1 oleh peringkat kolom X berikut ini. Kita dapat menulis nilai yang dipasang sebagaiY^saya=∑nj = 1Hsaya jYj atau dalam notasi matriks Y^= HY . Dengan menggunakan ini, kita dapat menulis jumlah kuadrat sebagai:
Dimanasayan adalah matriks identitas ketertiban n . Langkah terakhir mengikuti dari fakta ituH adalah matriks idepotent, sebagai
Sekarang properti rapi dari matriks idepotent adalah bahwa semua nilai eigennya harus sama dengan nol atau satu. Membiarkane menunjukkan vektor eigen yang dinormalisasi H dengan nilai eigen l , kita dapat membuktikan ini sebagai berikut:
(perhatikan itue tidak boleh nol karena harus memuaskan eTe = 1 ) Sekarang karena H idepoten, sayan- H juga, karena
Kami juga memiliki properti bahwa jumlah nilai eigen sama dengan jejak matriks, dan
KarenanyaI−H harus punya n−p−1 nilai eigen sama dengan 1 dan p+1 nilai eigen sama dengan 0 .
Sekarang kita dapat menggunakan dekomposisi spektralI−H=ADAT dimana D=(In−p−10[p+1]×[n−p−1]0[n−p−1]×[p+1]0[p+1]×[p+1]) dan A bersifat ortogonal (karena I−H simetris). Properti selanjutnya yang bermanfaat adalah ituHX=X . Ini membantu mempersempitA matriks
dan kami mendapatkan:
Sekarang, di bawah model yang kita milikiY∼N(Xβ,σ2I) dan menggunakan teori normal standar yang kita miliki ATY∼N(ATXβ,σ2ATA)∼N(ATXβ,σ2I) menunjukkan bahwa komponen ATY independen. Sekarang menggunakan hasil yang bermanfaat, kami memilikinya(ATY)i∼N(0,σ2) untuk i=1,…,n−p−1 . Distribusi chi-square dengann−p−1 derajat kebebasan untuk jumlah kesalahan kuadrat segera menyusul.
sumber