İstatistik için Sayısal Doğrusal Cebir
İstatistik için sayısal doğrusal cebir, regresyon, çok değişkenli analiz ve kovaryans tahmini gibi temel matris hesaplamalarının sonlu hassasiyette nasıl doğru ve verimli bir şekilde gerçekleştirildiğini inceleyen bir alandır.
Tanım
İstatistik için sayısal doğrusal cebir, sonlu hassasiyetli matris algoritmalarının, başta en küçük kareler, kovaryans hesaplaması ve tahminde ortaya çıkan doğrusal sistemlerin çözümü olmak üzere, istatistiğin doğrusal cebirsel problemlerine uygulanması ve analizidir.
Kapsam
Bu konu, en küçük kareler problemlerinin ve normal denklemlerin çözümünü, tasarım matrislerinin koşullandırılmasını ve bunun istatistiksel sonuçlarını, kararlılık için ortogonal yöntemlerin kullanımını ve büyük veya yapılandırılmış kovaryans ve tasarım matrislerinin verimli bir şekilde ele alınmasını kapsamaktadır. Hesaplamalı doğrusal cebirin istatistiksel bir uzmanlık alanıdır; matris ayrıştırmalarının kendileri ilgili başka bir konuda ele alınmaktadır.
Temel sorular
- Öngörücüler neredeyse eşdoğrusal olduğunda en küçük kareler tahminleri nasıl doğru bir şekilde hesaplanmaktadır?
- Normal denklemler neden ortogonal yaklaşımlara göre sayısal olarak daha düşüktür?
- Tasarım matrisinin koşullandırılması, tahmin edilen katsayıları nasıl etkilemektedir?
- Büyük ve yapılandırılmış istatistiksel matrisler verimli bir şekilde nasıl hesaplanmaktadır?
Anahtar kavramlar
- Normal denklemler
- Koşul sayısı
- Eşdoğrusallık
- Ortogonalleştirme
- Geriye doğru kararlılık
Temel kuramlar
- Kararlı en küçük kareler
- Ortogonal çarpanlara ayırma yoluyla en küçük karelerin çözülmesi, koşullandırması orijinal problemin karesi olan normal denklemlerin oluşturulmasını önlemekte, böylece öngörücüler ilişkili olduğunda doğruluğu korumaktadır.
- Koşullandırma ve eşdoğrusallık
- Neredeyse eşdoğrusallık, tasarım matrisinin koşul sayısını artırarak yuvarlama hatasını ve tahmin edilen katsayıların varyansını yükseltmekte, bu da sayısal bir özelliği doğrudan istatistiksel istikrarsızlığa bağlamaktadır.
Klinik önem
Doğru matris hesaplamaları, regresyon katsayılarının, genelleştirilmiş en küçük kareler uyumlarının ve kovaryans matrislerinin güvenilir olup olmadığını belirlemektedir; kötü koşullandırmanın farkına varılması, tahminlerdeki şaşırtıcı istikrarsızlığı açıklamakta ve merkezleme, ölçekleme veya düzenlileştirme gibi çözüm yollarına rehberlik etmektedir.
Tarihçe
Yirminci yüzyılın ortalarında Wilkinson, Golub ve diğerleri tarafından geliştirilen sayısal olarak kararlı matris algoritmaları, regresyona yönelik normal denklemler yaklaşımının sayısal olarak kırılgan olduğunu fark eden istatistikçiler tarafından sürekli olarak benimsenmiştir ve ortogonal alternatifler tercih edilmiştir.
Öne çıkan isimler
- Gene Golub
- Charles Van Loan
- Kenneth Lange
- James Wilkinson
İlgili konular
Temel eserler
- golub2013
- lange2010
Sıkça sorulan sorular
- En küçük kareler için normal denklemler neden önerilmemektedir?
- Normal denklemlerin oluşturulması, problemin koşul sayısını karelemektedir, bu nedenle öngörücüler ilişkili olduğunda yuvarlama hatası artmaktadır. Ortogonal çarpanlara ayırma, aynı en küçük kareler problemini bu doğruluk kaybı olmadan çözmektedir.
- Koşul sayısı bir istatistikçiye ne anlatmaktadır?
- Verilerdeki küçük pertürbasyonların çözümü ne kadar değiştirebileceğini ölçmektedir. Genellikle eşdoğrusal öngörücülerden kaynaklanan büyük bir koşul sayısı, katsayı tahminlerinin sayısal ve istatistiksel olarak kararsız olduğu konusunda uyarmaktadır.