Matriks kovarian untuk proses Gaussian dan distribusi Wishart

11

Saya membaca makalah ini tentang Generalized Wishart Processes (GWP). Makalah ini menghitung kovariansi antara variabel acak yang berbeda (mengikuti Proses Gaussian ) menggunakan fungsi kovarian eksponensial kuadrat, yaitu . Kemudian dikatakan bahwa matriks kovarians ini mengikuti GWP.K(x,x)=exp(|(xx)|22l2)

Saya dulu berpikir bahwa matriks kovarians dihitung dari fungsi kovarians linier ( )K(x,x)=xTx , mengikuti Distribusi Wishart dengan parameter yang sesuai.

Pertanyaan saya adalah, bagaimana kita masih dapat mengasumsikan kovarians untuk mengikuti distribusi Wishart dengan fungsi kovarians eksponensial kuadrat? Juga, secara umum, apa kondisi yang diperlukan untuk fungsi kovarians untuk menghasilkan matriks kovarians terdistribusi Wishart?

mantap
sumber

Jawaban:

8

Yang tercampur aduk adalah spesifikasi kovarian dalam hal ruang sekitar tempat proses Gaussian didefinisikan, dan operasi yang mengubah variabel acak Gaussian dimensi terbatas hingga menghasilkan distribusi Wishart.

Jika adalah variabel acak Gaussian dimensi (vektor kolom) dengan mean 0 dan matriks kovarians , distribusi adalah distribusi Wishart . Perhatikan bahwa adalah matriks . Ini adalah hasil umum tentang bagaimana bentuk kuadrat mengubah distribusi Gaussian ke distribusi Wishart. Itu berlaku untuk setiap pilihan matriks kovarians positif pasti . Jika Anda memiliki pengamatan pertamaXN(0,Σ)pΣW=XXTWp(Σ,1)Wp×p

xxxT
ΣX1,,Xnkemudian dengan distribusi adalah Wishart -distribusi. Dibagi dengan kita mendapatkan matriks kovarians empiris perkiraan .Wi=XiXiT
W1++Wn
Wp(Σ,n)nΣ

Untuk proses Gaussian ada ruang ambient, katakanlah untuk ilustrasi bahwa itu adalah , sehingga variabel acak yang dipertimbangkan diindeks oleh elemen di ruang ambient. Yaitu, kami mempertimbangkan proses . Ini adalah Gaussian (dan untuk kesederhanaan, di sini dengan mean 0) jika distribusi marginal dimensi terbatasnya adalah Gaussian, yaitu, jika untuk semua . Pilihan fungsi kovarians , sebagaimana disebutkan oleh OP, menentukan matriks kovarians, yaitu, R(X(x))xR

X(x1,,xp):=(X(x1),,X(xp))TN(0,Σ(x1,,xp))
x1,,xpR
cov(X(xi),X(xj))=Σ(x1,,xp)i,j=K(xi,xj).
Mengabaikan pilihan distribusi akan menjadi Wishart -distribusi.K
X(x1,,xp)X(x1,,xp)T
Wp(Σ(x1,,xp),1)
NRH
sumber
Terima kasih telah menjawab ini. Saya punya beberapa pertanyaan, reg. jawaban Anda -Ketika Anda mengatakan transformasi yang mengubah Gaussian dist ke Wishart dist untuk setiap pilihan + ve cov matrix pasti, apa pilihan yang berbeda yang kita miliki untuk matriks cov ini? Juga, hanya untuk memperjelas- untuk matriks cov yang didefinisikan oleh fungsi cov, i dan j menunjukkan elemen dalam ruang sekitar dari Proses Gaussian (untuk misalnya jika itu adalah proses temporal, waktu misalnya t_1 dan t_2)?
mantap ikan
@steadyfish, ya, indeks dan merujuk ke titik dan di ruang sekitar, dan untuk proses temporal ke dua titik waktu. Matriks kovarian selalu positif (semi) pasti. Formulasi tidak dimaksudkan untuk membatasi hasil dengan cara apa pun, melainkan untuk menekankan bahwa ia berlaku untuk setiap pilihan selama adalah matriks kovarians. Saya mengabaikan kemungkinan bahwa dapat menjadi semidefinite untuk menghindari mengacaukan jawaban dengan masalah yang tidak relevan pada distribusi normal tunggal dll.ijxixjΣ ΣΣ
NRH
Terima kasih @NRH. Saya mendapatkan poin tentang ruang sekitar. Tentang matriks kovarian, pertanyaan saya adalah apakah ada cara lain untuk mendefinisikan matriks kovarians selain dari (dan bukan tentang properti semidefinit positif pasti atau positif). (Saya harap pertanyaannya jelas kali ini!)xTx
steadyfish
@steadyfish, oh, begitu. Bahkan, saya ceroboh dengan transposisi dan apakah vektor-vektor itu adalah vektor baris atau kolom. Saya telah membuat yang tepat sekarang dan menambahkan sedikit tentang hubungan antara matriks kovarians empiris dan matriks kovarians teoritis. Teoritis tidak didefinisikan dalam hal pengamatan.
NRH