GHK алгоритмі - GHK algorithm

The GHK алгоритмі (Гьюеке, Хадживассилиу және Кин)^[1] болып табылады іріктеудің маңыздылығы таңдау ықтималдығын модельдеу әдісі көп айнымалы пробит моделі. Бұл имитациялық ықтималдықтар максимизацияның әдеттегі белгілі әдістерінің кез келгенінің көмегімен максималды ықтималдық теңдеуінен параметрлерді бағалауды қалпына келтіруге пайдаланылуы мүмкін (Ньютон әдісі, BFGS және т.б.). Пойыз^[2] бұл көпфиналды пробит моделіне арналған алгоритмді іске асырудың жақсы құжатталған қадамдары бар. Осыдан кейін екілік көп айнымалы пробит моделіне қатысты болады.

Таңдау ықтималдығын бағалауға тырысатын жағдайды қарастырайық ${ displaystyle Pr ( mathbf {y_ {i}} | mathbf {X_ {i} beta}, Sigma)}$ қайда ${ displaystyle mathbf {y_ {i}} = (y_ {1}, ..., y_ {J}), (i = 1, ..., N)}$ және біз қайда баруға болады ${ displaystyle j}$ таңдау ретінде және ${ displaystyle i}$ жеке тұлға немесе бақылаушы ретінде, ${ displaystyle mathbf {X_ {i} beta}}$ орташа және ${ displaystyle Sigma}$ - бұл модельдің ковариациялық матрицасы. Таңдауды байқау ықтималдығы ${ displaystyle mathbf {y_ {i}}}$ болып табылады

{ displaystyle { begin {aligned} Pr ( mathbf {y_ {i}} | mathbf {X_ {i} beta}, Sigma) = & int _ {A_ {J}} cdots int _ {A_ {1}} f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma) dy_ {1} ^ {*} нүктелер dy_ {J} ^ {*} Pr ( mathbf {y_ {i}} | mathbf {X_ {i} beta}, Sigma) = & int mathbb {1} _ {y ^ { *} in A} f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma) d mathbf {y} _ {i} ^ {*} end {aligned}}}

Қайда ${ displaystyle A = A_ {1} times cdots times A_ {J}}$ және,

{ displaystyle A_ {j} = { begin {case} (- infty, 0] & y_ {j} = 0 (0, infty) & y_ {j} = 1 end {case}}}

Егер болмаса ${ displaystyle J}$ аз (2-ге тең немесе тең) жоғарыда анықталған интегралдар үшін жабық түрдегі шешім жоқ (кейбір жұмыс ${ displaystyle J = 3}$ ^[3]). Бұл интегралдарды жабық формада немесе квадратуралық әдістермен бағалаудың баламасы модельдеуді қолдану болып табылады. GHK - маңыздылықты іріктеу әдістерін қолдана отырып, жоғарыда келтірілген ықтималдықты имитациялау әдісі.

Бағалау ${ displaystyle Pr ( mathbf {y_ {i}} | mathbf {X_ {i} beta}, Sigma) = int mathbb {1} _ {y ^ {*} in A} f_ { N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma) d mathbf {y} _ {i} ^ {*}}$ деректердің жасырын моделі екенін мойындау арқылы жеңілдетілген ${ displaystyle mathbf {y_ {i} ^ {*}} = mathbf {X_ {i} beta} + epsilon}$ Cholesky факторизациясы арқылы қайта жазуға болады, ${ displaystyle Sigma = CC '}$ . Бұл береді ${ displaystyle mathbf {y_ {i} ^ {*}} = mathbf {X_ {i} beta} + C eta _ {i}}$ қайда ${ displaystyle eta _ {i}}$ шарттар таратылады ${ displaystyle N (0, mathbf {I})}$ .

Осы факторизацияны және ${ displaystyle eta _ {i}}$ дербес бөлінеді, бір айнымалы кездейсоқ норманың сызбаларын қолдана отырып, қысқартылған көп айнымалы қалыпты үлестіруден сызбаларды имитациялауға болады.

Мысалы, егер қысқарту аймағы болса ${ displaystyle mathbf {A}}$ тең және төменгі шектері бар ${ displaystyle [a, b]}$ (a, b = қоса алғанда ${ displaystyle pm infty}$ ) содан кейін міндет болады

{ displaystyle { begin {array} {lcl} a <& y_ {1} ^ {*} &

Ескерту: ${ displaystyle mathbf {y_ {i} ^ {*}} = mathbf {X_ {i} beta} + C eta _ {i}}$ , ауыстыратын:

${ displaystyle { begin {array} {lcl} a <& x_ {1} beta _ {1} + c_ {11} eta _ {1} &$

Жоғарыда қайта құру,

${ displaystyle { begin {array} {ccc} { frac {a-x_ {1} beta _ {1}} {c_ {11}}} & < eta _ {1} <& { frac { b-x_ {1} beta _ {1}} {c_ {11}}} { frac {a- (x_ {2} beta _ {2} + c_ {21} eta _ {1} )} {c_ {22}}} & < eta _ {2} <& { frac {b- (x_ {2} beta _ {2} + c_ {21} eta _ {1})}} c_ {22}}} vdots & vdots & vdots { frac {a- (x_ {J} beta _ {J} + sum _ {k = 1} ^ {J-1} c_ {J, k})} {c_ {J, J}}} & < eta _ {k} <& { frac {b- (x_ {J} beta _ {J} + sum _ {k = 1} ^ {J-1} c_ {J, k})} {c_ {J, J}}} end {array}}}$

Енді тек жоғарыда келтірілген шектермен қысқартылған бірөлшемді қалыпты үлестірімнен итеративті түрде алу қажет. Мұны кері CDF әдісімен жасауға болады және қысқартылған қалыпты үлестіруді мыналар ескереді:

${ displaystyle u = { frac { Phi ({ frac {x- mu} { sigma}}) - Phi ({ frac {a- mu} { sigma}})} { Phi ({ frac {b- mu} { sigma}}) - Phi ({ frac {a- mu} { sigma}})}}}$

Қайда ${ displaystyle u}$ 0 мен 1 арасындағы сан болады, өйткені жоғарыда келтірілгендер CDF болып табылады. Бұл қысқартылған үлестірімнен кездейсоқ теңдеулерді шешуге тура келеді ${ displaystyle x}$ беру,

${ displaystyle x = sigma F ^ {- 1} (u * (F ( beta) -F ( alpha)) + F ( alpha)) + mu}$

қайда ${ displaystyle alpha = { frac {a- mu} { sigma}}}$ және ${ displaystyle beta = { frac {b- mu} { sigma}}}$ және ${ displaystyle F}$ бұл қалыпты CDF. Осындай ұтыс ойындарының көмегімен қайта қалпына келтіруге болады ${ displaystyle mathbf {y_ {i} ^ {*}}}$ Холеский факторизациясының көмегімен оның оңайлатылған теңдеуімен. Бұл ұтыс ойындары алдындағы ұтыс ойындарымен шартты болады және нормалдың қасиеттерін пайдалану шартты PDF форматындағы өнімнің үлестірімі болып табылады. ${ displaystyle mathbf {y_ {i} ^ {*}}}$ ,

${ displaystyle q ( mathbf {y_ {i} ^ {*}} | mathbf {X_ {1} beta}, Sigma) = q (y_ {1} ^ {*} | mathbf {X_ {1 } beta}, Sigma) q (y_ {2} ^ {*} | y_ {1} ^ {*}, mathbf {X_ {1} beta}, Sigma) нүктелер q (y_ {J} ^ {*} | y_ {1} ^ {*}, нүктелер, y_ {J-1} ^ {*}, mathbf {X_ {1} beta}, Sigma)}$

Қайда ${ displaystyle q ( cdot)}$ көп айнымалы қалыпты үлестіру болып табылады.

Себебі ${ displaystyle y_ {j} ^ {*}}$ шартты ${ displaystyle y_ {k}, k$ жиынтығымен шектелген ${ displaystyle A}$ Cholesky факторизациясы көмегімен орнату арқылы біз мұны білеміз ${ displaystyle q ( cdot)}$ қысқартылған көпөлшемді қалыпты болып табылады. А-ның үлестіру функциясы кесілген қалыпты болып табылады,

${ displaystyle { frac { phi ({ frac {x- mu} { sigma}})} { sigma ( Phi ({ frac {b- mu} { sigma}}) - Phi ({ frac {a- mu} { sigma}}))}}}$

Сондықтан, ${ displaystyle y_ {j} ^ {*}}$ тарату бар,

${ displaystyle { begin {aligned} q ( mathbf {y_ {i} ^ {*}} | mathbf {X_ {i} beta}, Sigma) & = { frac {{ frac {1} {c_ {11}}} phi _ {1} { Big (} { frac {y_ {j} ^ {*} - x_ {1} beta} {c_ {11}}} { Big)} } {{ Big (} Phi _ {1} { Big (} { frac {b-x_ {1} beta} {c_ {11}}} { Big)} - Phi _ {1} { Үлкен (} { frac {a-x_ {1} beta} {c_ {11}}} { Big)} { Big)}}} times dots times { frac {{ frac {1} {c_ {JJ}}} phi _ {J} { Big (} { frac {y_ {J} ^ {*} - (x_ {J} beta + c_ {J1} eta _ {) 1} + c_ {J2} eta _ {2} + dots + c_ {JJ-1} eta _ {J-1})} {c_ {JJ}}} { Big)}} {{ Big (} Phi _ {J} { Big (} { frac {b- (x_ {J} beta + c_ {J1} eta _ {1} + c_ {J2} eta _ {2} + нүктелер + c_ {JJ-1} eta _ {J-1})} {c_ {JJ}}} { Big)} - Phi _ {J} { Big (} { frac {a- (x_) {J} beta + c_ {J1} eta _ {1} + c_ {J2} eta _ {2} + dots + c_ {JJ-1} eta _ {J-1}} {c_ {JJ }}} { Big)} { Big)}}} & = { frac { prod _ {j = 1} ^ {J} { frac {1} {c_ {jj}}} phi _ {j} { Big (} { frac {y_ {j} ^ {*} - sum _ {k = 1} ^ {k$

қайда ${ displaystyle phi _ {j}}$ таңдау үшін стандартты қалыпты PDF болып табылады ${ displaystyle j}$ .

Себебі ${ displaystyle y_ {j | {y_ {k$ жоғарыда келтірілген стандарттау әрбір терминді 0 дисперсияны 1 құрайды.

Бөлгіш болсын ${ displaystyle prod _ {j = 1} ^ {J} Phi _ {j} { Big (} { frac {b- sum _ {k = 1} ^ {k$ және нумератор ${ displaystyle prod _ {j = 1} ^ {J} { frac {1} {c_ {jj}}} phi _ {j} { Big (} { frac {y_ {j} ^ {* } - sum _ {k = 1} ^ {k$ қайда ${ displaystyle f_ {N} ( cdot)}$ көп өлшемді қалыпты PDF болып табылады.

Бастапқы мақсатқа оралу, бағалау

${ displaystyle { begin {aligned} Pr ( mathbf {y_ {i}} | mathbf {X_ {i} beta}, Sigma) = & int _ {A_ {j}} f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma) dy_ {j} ^ {*} end {aligned}}}$

Іріктеудің маңыздылығын қолдана отырып, біз осы интегралды бағалай аламыз,

${ displaystyle { begin {aligned} Pr ( mathbf {y_ {i}} | mathbf {X_ {i} beta}, Sigma) = & int _ {A_ {j}} f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma) dy_ {j} ^ {*} = & int _ {A_ {j}} { frac {f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma)} {q ( mathbf {y_ {i} ^ { *}} | mathbf {X_ {i} beta}, Sigma)}} q ( mathbf {y_ {i} ^ {*}} | mathbf {X_ {i} beta}, Sigma) dy_ {j} ^ {*} = & int _ {A_ {j}} { frac {f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma)} { frac {f_ {N} ( mathbf {y} _ {i} ^ {*} | mathbf {X_ {i} beta}, Sigma)} { prod _ {j = 1} ^ {J} l_ {jj}}}} q ( mathbf {y_ {i} ^ {*}} | mathbf {X_ {i} beta}, Sigma) dy_ {j} ^ {*} = & mathbb {E} _ { mathbf {q}} { Big (} prod _ {j = 1} ^ {J} l_ {jj} { Big)} end {тураланған}}}$

Бұл шамамен жақындатылған ${ displaystyle { frac {1} {S}} sum _ {s = 1} ^ {S} prod _ {j = 1} ^ {J} l_ {jj}}$ .

Әдебиеттер тізімі

^ Гадживассилиу, Вассилис (1994). «Симуляцияны қолданатын LDV модельдеріне арналған классикалық бағалау әдістері» (PDF). Эконометрика бойынша анықтамалық.
^ Поезд, Кеннет (2003). Модельдеу кезінде дискретті таңдау әдістері. Кембридж университетінің баспасы.
^ Грин, Уильям (2003). Эконометрикалық талдау. Prentice Hall.

[1] Гадживассилиу, Вассилис (1994). «Симуляцияны қолданатын LDV модельдеріне арналған классикалық бағалау әдістері» (PDF). Эконометрика бойынша анықтамалық.

[2] Поезд, Кеннет (2003). Модельдеу кезінде дискретті таңдау әдістері. Кембридж университетінің баспасы.

[3] Грин, Уильям (2003). Эконометрикалық талдау. Prentice Hall.

[1]

[2]

[3]