Thursday 6 August 2009
Analiza e të dhënave: Ndryshimi Modë dhe Modeli
Biallelic mode [N] Scalar Shtues # 1 e alleles në gjenotip Dominant 1: gjenotip ka â € œ1â € allele; 0: ndryshe Ikës 1: gjenotip është â € œ11â €; 0: ndryshe Gjenotip 1: target gjenotip; 0: ndryshe  Multiallelic mode [c2 (gradën e Var (S))] Vektor (elemente i referohen alleles 1,2,3, â € ) Shtues shënim i: i i alleles # Dominant i hyrjes: 1 në qoftë se ka gjenotip œiâ € â € allele; 0 otherw. Ikës shënim i: 1 në qoftë se është gjenotip € â € œiiâ; 0 ndryshe Gjenotip hyrjes j: 1 për j-th gjenotip; 0 ndryshe
Biallelic Mode: dominant / largues
Dominuese për allele 1: Xd = 1 nëse 11 apo 12 Xd = 0, nëse 22 Ikës për allele 2: Xr = 0, nëse 11 apo 12 Xr = 1 nëse 22 Xr = 1 - Xd ⇓ Zr =- Zd
provë e parë të hollësishme rezultatet (e paqëndrueshme në v2.0.2c â € "marrin version më të vjetër) Main komandën: viewstat Informacion të hollësishëm për FBAT statistikat për specifikuar shënuesve, duke përfshirë S, E (S) dhe Var (S) S është shfaqur si një vektor (një për çdo hyrje allele); E (S) është një vector, Var (S) është një matricë - po të mos-o mundësi është përdorur Modë pavarur Mundësitë e zgjedhjes: [-e] [-o] [-c] [-s] shënues -e,-o,-c: si me komande fbat -s: suppresses brenda familjes output.
provë e parë të hollësishme rezultatet (e paqëndrueshme në v2.0.2c â € "marrin version më të vjetër) Main komandën: viewstat Informacion të hollësishëm për FBAT statistikat për specifikuar shënuesve, duke përfshirë S, E (S) dhe Var (S) S është shfaqur si një vektor (një për çdo hyrje allele); E (S) është një vector, Var (S) është një matricë - po të mos-o mundësi është përdorur Modë pavarur Mundësitë e zgjedhjes: [-e] [-o] [-c] [-s] shënues -e,-o,-c: si me komande fbat -s: suppresses brenda familjes output.
Diagnostikimet
Shikimi i detajuar shënues gjenotip shpërndarjes nën zero Main komandën: viewmarker shënues Mundësitë e zgjedhjes: [pedigree_id]
Të dhënat mbi Alzheimer Sëmundjeve
Këto të dhëna janë një nën-mostra nga Instituti Kombëtar i Shëndetit Mendor (NIMH) Gjenetikë Iniciativa e Sëmundjeve Alzheimer (AD) Sample. Ky vërtetim dhe vlerësimin e AD familjeve të mbledhura janë diskutuar në Blacker et al. (1997). Asnjë nga të familjeve në këtë të dhënat e kanë vënë prindërore gjenotip informacionit; praktikisht të gjithë ata të dy kanë prekur dhe i çiltër pasardhësve. Në total ka 901 individë të përmbajtura në 319 familje bërthamore. Affection statusit është veçori e interesit. Të dhënat gjenetike shënuesve përbëhet nga dy (SNPs), një në erythropoietin njeriut gjen (APOE), dhe një në alfa 2-macroglobulin (A2M) gjen. Ne shfrytëzojnë më komplekse familjes-struktura e këtyre të dhënave për të treguar avantazhe përparësi shtesë të FBAT-tools software që nuk mund të ilustrohet duke përdorur të dhënat e vëna kampin.
PBAT
PBAT Disa karakteristika të shquar për PBAT: Efekti Size Pėrkohshėm vlerësimeve për efekt të përmasave, në bazë të pritet gjenotip pasardhësve. Covariates PBAT pranon covariates në të dhënat tipar input file. Çdo zgjedhja e këtyre mund të llogariten për në llogariten FBAT statistikave. Ndërveprime Kur ndėrveprim variablave janë zgjedhur, do të PBAT njehsoj FBAT statistikat për të provuar për gjen-covariate ndërveprime. I pavlefshëm nuk nënkupton ndërveprimin gjen-mjedisit, si dhe mungesa e efekteve kryesore gjenetik Shqyrtimi PBAT ofron një strategji të testimit të ekranit dhe shënuesit phenotypes që trajton në mënyrë adekuate të shumëfishta testimi problem. Power - llogaritjet analitike pushtetit, - Power llogaritjet nëpërmjet afrimit, - Power llogaritjet nëpërmjet simulimet Monte Carlo
FBAT: Shoqata Haplotype Bazuar Testim
 Kryesore komandën: hbat Haplotype analogue e fbat komandë të vetme për një tipar I pavlefshëm hipoteza: H01: asnjë shoqatë ose lidhjes midis haplotype vend dhe çdo veçori ndikimin e gjen H02: shoqata nuk midis haplotype çdo vend dhe ndikojnë tipar gjen, në prani të lidhjes Submitted shënues genotypes janë të trajtohen sikur unphased â € "fazën e ndërtimit ndodh më vonë  Mundësitë e zgjedhjes: [-c] [-e] [-o] [-p [#]] [shënues (s)] â € "c,-e,-o: ngjashme përdoret në modës si brenda fbat komandën hbat â € "o është kompatibil me multi-allelic mode: min (gjurmë të Var (S)) â € "p:-p computes vlerat e S në rast univariate duke përdorur mostra Monte Carlo nga shpërndarja e pavlefshme.
hbat –p[#]
 Computes p-vlera e Z univariate në rast Monte Carlo duke përdorur mostra nga i pavlefshëm shpërndarjes së dhe nuk ka asnjë lidhje asocimit.  # e përcakton numrin e mostrave të Monte Karlo të nxirren (default: 100,000). E numri aktual i mostrave mund të jenë më të vogla; Ndalimi rregull: Të paktën 100 Monte Karlo vlerat bazë Z> = Z_obs dhe të paktën 100 Monte Karlo bazuar Z_values <= Z_obs  ndalimin e mirë për sundimin e kryen ekstreme p-vlera: Për shumë të vogla p-vlera nën zero, numri i cikleve do të jetë i madh dhe kështu të lartë nivelin e precize do të merret. Rritja e numrit të default Monte Karlo mostrat kur një nivel më të lartë është precision që ka për qëllim për të. Për relativisht e madhe p-vlera nën zero, numri i cikleve do të jetë i vogël, që rezulton në një precision nivelin më të ulët e të p-vlera llogarisin. Të  ⠀ "p opsion nuk mund të përdoret me â €" e (zakonisht duke nënkuptuar lidhjes është i pranishëm)
Familjet Informative
Ato familje me jo-zero kontribut në provë statistikat Shpërndarjes së kushtëzuar gjenotip i degjeneruar P.sh., dy prindërit homozygous, të humbur dhe të prindërve genotypes identike pasardhësit genotypes Jo-i degjeneruar P.sh., dy pasardhësit e prekur me genotypes 11 dhe 12 dhe nuk prindërit  ⠀ œFBATâ € output fbat table: count = jo-negativ hbat table: count mund të jetë i pjesshëm, pasi kjo është një ponderura shumën peshë për ith pasardhësit: min (F, 1); p F (G) I (h G)
hbat për fbat...
 FBAT interface: Krahasim midis vetme me SNP haplotype analiza (asymptotic dhe Mali i Zi Karlo bazuar teste): hbat-p SNP7 SNP8 SNP9 haplotype ndërrim test për shënuesve e mëposhtme: SNP7 SNP8 SNP9 Ndërrim cikle = 888 haplotype afreq fam radhë # (S_obs) P_2side H1: 1 2 2 0,532 831,2 566,0 0,725225 h2: 3 2 2 0,252 646,9 506,0 0,860360 â € tërë shënues 772,0 0,869369 hbat-p SNP8 haplotype ndërrim test për shënuesve e mëposhtme: SNP8 Ndërrim cikle = 591 haplotype afreq fam radhë # (S_obs) P_2side H1: 2 0,899 327,0 352,0 0,808799 h2: 4 0,101 327,0 239,0 0,808799 tërë shënues 491,0 0,830795 fbat SNP8 tipar QTL1; kompensuar 0,000; model shtues; test bi-allelic; minsize 10; p 1,000 Marker Allele afreq fam S # E (S) Var (S) Z P SNP8 2 0,895 327 5.757 3,603 57.807,090 1.390.927,899 -0,198 0,843065 SNP8 4 0,106 327 2268 3,041 22.449,554 1.390.927,899 0,198 0,843065 tipar QTL1; kompensuar 0,000; model shtues; test multi-allelic; minsize 10; p 1,000 Marker Allele # DF CHISQ P SNP8 2 1 0,039 0,843065
Haplotype analizave dhe missingness
Faza Â-panjohur prindërore genotypes: strategji për të shtrirë kondicionuar shënuesve të lidhura ngushtë me i kondicionuar në statistikat e mjaftueshme për zgjidhjen e fazës si edhe [() (())], Shënues me faza genotypes ij ij ij ij ij S = I £ TXG - EXGG Faza Â-panjohur lëndë: weights caktuar në genotypes faza e mundur që të jenë në përputhje me çdo siblingâ paqartë € ™ s unphased gjenotip () = I £ (), I £ = 1
Diagnostikimet haplotype për analizë
Diagnostikimet haplotype për analizë Â haplotype duke llogaritur frekuencat Main komandën: hapfreq Rrjedhin nga haplotypes prindërore në familjet bërthamore Vlerësimet e genotypes faza â ‡ 'Vlerësimet e haplotype frekuencave Mundësitë e zgjedhjes: [-d] [shënues (s)] -d: jep vlerat e pairwise masat e lidhjes disequilibrium D (Da € ™) për të gjitha llojet e shënuesve: AB AB A B D p f. = -. ( ' / Max ( ) AB AB AB D D = D) pAB: probabilitet të përbashkët të dy alleles, A dhe B, të ndryshme nga dy shënuesit ZM. (p.B): margjinale probabilities e allele A (B)
add-ons Kontrolli dhe ndryshimi
Në mënyrë që të ndreqja e gabimit jre shkojnë në internet options dhe menaxhuar add-ons. Administrative mbi të drejtat e kompjuterit mund të jenë të nevojshme
Ç'instalo gjitha aplikacionet Java running në kompjuter
Kur Hapet klikoni ne instalojë, në fund të rinisni kompjuterin instalation
Pas rifillimin e kompjuterit dhe do të EV4 kur shkaktoi mesazh me më poshtë kliko "Always"
Show Add-ons që janë përdorur nga Internet Explorer, dhe çaktivizoni ADPClient Class
Alternativa të fshini fix mësipërme ose çaktivizoni të gjitha Java dhe ADP add-ons
Ç'instalo gjitha aplikacionet Java running në kompjuter
Go to http://ptp.fiu.edu/ev4 dhe shkaktoi kur klikoni Run ActiveX Control, e instalation mund të marrë më shumë se 3 minuta
Kur e bënë klikoni Install ActiveX Control, mund të ndërmarrë në instalimin më shumë se 3 minuta
Kur Hapet klikoni ne instalojë, në fund të rinisni kompjuterin instalation
Pas rifillimin e kompjuterit dhe do të EV4 kur shkaktoi mesazh me më poshtë kliko "Always"
Internet Explorer 7,0 MIT Certificate VBScript Gabim Fix
Internet Explorer 7,0 MIT Certificate VBScript Gabim Fix 1. Hap dritare Explorer; klikim djathtas dhe zgjidhni mbi Fillimi Explore:
Rezultati: Windows Explorer hapet
2. Kliko ne Tools Folder Options dhe zgjidhni nga drop down menu:
Rezultati: Të hap dritaren Folder Options
3. Shko në View tab dhe në seksionin Advanced Settings kontrolloni radio butonin për "Tregojnë fotografi të fshehura dhe dosjet" 4. Në të njëjtin seksion zgjidhni kutinë për "fshi mbrojtur të sistemit operativ fotografi (rekomandohet) "
5. Përgjigje 'Po' kur ju keni marrë mesazh Kujdes:
6. Shkoni poshtë gjatë gjithë rrugës për pjesën e poshtme të Advanced Settings seksioni dhe zgjidhni kuti për "Përdor Simple File Sharing (Recommended)".
7. Kliko Aplikoni për të ruajtur ndryshimet dhe OK për të mbyllur dritaren Folder Options. 8. Në Windows Explorer kryesore zgjeruar folder lista dhe shfletoni me dosje C: \ Dokumente dhe Settings \ username \ Application Data \ Microsoft \ Crypto \ RSA (ku emri i përdoruesit duhet të zëvendësohet me aktuale Windows username)
9. Right click on RSA e dosjes dhe zgjidhni 'ndarjen e sigurisë dhe' nga drop down menu
Rezultati: prona e dritare do të hapet.
10. Shko në sigurinë tab dhe klikoni mbi 'Mnyra e avancuar'.
Rezultati: të Sigurimit Advanced settings hap dritare:
11. Kontrollo kutin "Replace leje të hyra në të gjitha objektet me të hyra i treguar këtu se zbatohen për fëmijë të objekteve ". 12. Kliko Aplikoni për të ruajtur ndryshimet dhe OK për të mbyllur të Sigurimit Advanced Settings dritare 13. Mbyllni të gjitha dritaret dhe Windows Explorer kthehemi në Internet Explorer për të marrë një çertifikatë personale.
Mesazhet e gabimit dhe Troubleshooting
FAQ të përgjithëshme të Recreating indekseve për të dhënat fotografi duket qeli kompjuter Arsyeja: Recreating e indekseve ndryshon varësisht nga shpejtësia e kompjuter dhe sasinë e të dhënave fotografi. E para tre hapa të rindërtuar proces janë të shpejtë, por e katërt hap mund të marrin më shumë kohë. Zgjidhja: A asgjë. A nuk e pengojnë procesin. Mos i mbyll gjatë procesit. Mos ikni goditur gjatë procesit. SHËNIM: Kurrë mos i bëni një Përzgjidhni Të gjitha të dëfrehem indekseve. Kjo shkakton hashing panevojshme e të dhënave të mira fotografi. Highlight vetëm që fotografi apo fotografi janë shkaktuar një gabim. Filmi tregon në doracakun e paradoks LANGDRIVER vendosur si një "Paradoks' ASCII '", por është vendosur si minave "' ASCII 'ANSI" Arsyeja: Kjo mospërputhje është për shkak të ndryshimeve të Borland Database Engine (BDE) nga Borland. Paradoks ASCII dhe ASCII ANSI janë në thelb të njëjtën gjë. Zgjidhja: Kjo është në rregull. Leave si është.
Instalimi FAQ's
Error Message: Kur programi po kandidon, thotë se të humbur VCL40.bpl Arsyeja: Kjo zakonisht tregon një qeli në Windows. Nëse kjo nuk është e rast, ai mund të jetë e humbur sequential updates. Zgjidhja: Restart kompjuterin. Në qoftë se kjo është një qeli në Windows kjo do të zgjidhjen e problemit. Nëse kjo nuk funksionon, backup fotografi të dhënat tuaja. Ç'instalo programit nga kompjuteri juaj. A të plotë, instalim i ri Rinia e regjistrimit të plotë nga sistemi aktual Instalimi CD (version 2.2). Problemet loading update, just getting flash ekran dhe kurrë nuk getting larg të mjaftueshme për të vënë në qasje kodet Arsyeja: Dy ose më shumë seanca mund të jenë të ngarkuar në vende të ndryshme në kompjuter dhe konfuz të bde. -OR-u nuk e Freskojeni instaluar siç duhet. -OR-instalim të plotë u ngarkuan mbi programin në vend të përmirësim. Zgjidhja: reinstall programin. -Rikthim dhënave fotografi. -Hiq WinYouth.exe gjitha programet, duke shkuar te Start Settings Control Panel Shto \ Remove Programs. Gjithashtu ekstra-hequr programet duke shkuar te Start Find Files or Folders dhe të emërohet në llojin në: winyouth.exe dhe Shiko në: My Computer -Hiq të gjitha programet (nga këto programe grisësh) -A e një reinstall plotë. -E, nëse ka nevojë - Restauro tuaj backup fotografi nga kopjimi dhe pasting tyre prapë në Windows Rinia Data e regjistrimit dosje. Kopsat e instalimit nuk punojnë Arsyeja: Varësisht nga kompjuteri juaj settings se mund të mos automatikisht të drejtuar Setup.exe. -ORCD - ROM mund të jetë version më të vjetër dhe nuk do të kandidojë automatikisht. Zgjidhja: Përdorni Windows Explorer CD për të shfletoni dhe të drejtuar Setup.exe (double-click dhe kjo do të ju merr në përmbajtjen e menusë kryesore.)
Printer FAQ’s
Printer FAQ's Nevoja për të shtypur barcodes në Mailing Etiketa SHËNIM: çdo herë që ngarkesën e një programi të ri / të ndryshme kompjuteri ju nevojën për të vënë në këtë font se PC. Arsyeja: Special font nevojshme për barcodes. Zgjidhja: fonts Load nga CD. Open CD - -Shko te Ekstras dosje në CD Browse Përmbajtja Open-fonts.exe, ajo do të fonts kopje të Windows Temp folder -Ju duhet të ngarkesës në fonts Fonts folder: Shko tek Start Settings Control Panel -Zgjidhni dosjen Fonts -Shko në File Install ri fonts -Zgjidhni e mëposhtme font nga Windows Temp folder: 3of9.ttf (barcode font) Kliko OK - -Pastaj ju mund të fshini keto fotografi nga tuaj Temp folder Dot Matrix-sized posaçëm formave të shtypura ose nuk vargoj korrekte Arsyeja: Nuk mund të lexoni Madhësia formate të ndryshme, zakonisht probleme me indeks kartat, etiketat apo kontrolle, etj Zgjidhja: Set faqe Madhësia e printerit për të Zakont. (Ky opsion mund të mos jetë në në dispozicion në WINNT - Shih më poshtë.) -Kliko Start Settings printera -Right-click on-dot të matricës printer -Kliko mbi Pronat -Kliko mbi Paper tab, ose të kërkoni për një skedë që lejon settings faqe për të të ndryshuar nga Letter to Custom. -Kliko OK (mos e vënë ndonjë parametrave). Gjithashtu sigurohuni-dot-your printer matricës është caktuar si default printer. -ORIF Win2000 ose NT4 -Shko te Start Settings printera -Kliko mbi File Server Properties -Kliko mbi Krijo formë nën Forms tab -SHENIM: një formë të re për secilin formular duhet të krijohen - ndryshme se 8 ½ x 11 - p.sh. kontrolle, labels, etj NËSE tuaj print shoferi nuk ka një "Custom" vendosjen ose ju duhet të instaloni një shofer i vjetër, kontrolloni për një zgjidhje NT, ose të përdorë një printer të ndryshme. Dot Matrix-printing ngadalë Arsyeja: i Windows print print shoferëve në graphics mode e cila i jep më shumë aftësitë e printerit, por kopje të ngadalshme se në text mode. Zgjidhja: Shko në Printer Control Panel; zgjidhni opsionin Properties për të matricës Printer-Dot nga drejtën klikuar në ikonën e printerit. Mbi Grafika tab në printer pronat, për të vendosur se rezoluta nuk më i lartë se 180x120 ose 180x180 dpi. EDB Engine gabim kur përpiqen të shkruar ... Arsyeja: ri Downloaded printer ose shkarkohen ri Corel produkt. Has BDE version të vjetër dhe nuk është në përputhje me programin. Zgjidhja: Shko tek www.borland.com website dhe shkarko versionin 5,01 BDE Administrator Raporti im punon nën WIN95 por jo nën WINNT Arsyeja: Kur të raportit Rrëzohet në faqet 25 deri në 50 dhe të veprojnë Sistemi është i NT, atëherë problemi është zakonisht i bazuar leje. Rinjve Regjistrimit të Sistemit të raportit të motorit bën që raporti të një file të përkohshëm hard drive tuaj në qoftë se ajo nuk mund të jap ndihmë raporti në kompjuterin e kujtesës. Nëse përdoruesi nuk kanë qasje të mjaftueshme për të krijuar një temp fotografi, e pastaj një gabim do të ndodhë. Zgjidhja: Sigurohuni që keni një temp folder të rinjve të regjistruar në Folder. Printime gjitha raportet prodhon një faqe të zezë-OR-Printime vetëm në anën e djathtë të fletës, por vrojtim tregon gjithë informacionin. Arsyeja: Print shofer nuk është kompatibil me produkte të ndryshme. Zgjidhja: Ndryshimi në një standard të shtypura Shoferi - Perdor HP LaserJet III print shoferi. -Kliko Start Settings printera - Double-click on Shto printera -E kur u pyet për shitësi dhe model, zgjidhni HP LaserJet III -Set këtë si default printer Exit-program të Rinjve në qoftë se ajo është duke u përpjekur për të shtypur PARA duke përdorur shofer i ri. Kjo do të ktheni gjendjen e shoferit. Printouts prerë pjesën e poshtme të disa linjave. Arsyeja: Fonts janë caktuar të mëdha dhe shtypi i shtypshëm jashtë zonës. Kjo është pjesë e prerë nga gazeta off pjesët e letrave. Zgjidhja: Ndryshimi e Display Properties në kompjuterin tuaj nga i madh të vogla fonts. -Right-click on the desktop dhe klikoni Properties. -OSE - -Shko te Start Settings Control Panel Display. Djathtas-klikoni në ikonën, dhe pastaj klikoni mbi Properties. Kliko mbi Settings tab dhe për të ndryshuar madhësinë e shkronjave të vogla font. Screen captions janë shumë të mëdha dhe po prerë. Arsyeja: fonts janë caktuar të mëdha dhe shtypi i shtypshëm jashtë zonës, prerja off pjesë të letrave. Zgjidhja: Ndryshimi e Display Properties në kompjuterin tuaj nga i madh të vogla fonts. -Right-click on the desktop dhe klikoni Properties. Ose shkoni te Start Settings Control Panel Display (and right-click on icon pastaj të klikoni mbi Properties) -Kliko mbi Settings tab dhe për të ndryshuar madhësinë e shkronjave të vogla font.
Run Time Gabimet FAQ's
Miscellaneous BDE gabim gjatë instalimit apo drejtimin e programit Bashkimi configuration file dështuar File: C: \ Program Files Borland Common Files BDE IDAPI.1CF -ORCannot load një IDAPI Shërbimit Library -OR -- Përjashtim EDB Engine Gabim në modul WinYouth ... E pamundur për të inicializoj e BDE Arsyeja: hapësira e pamjaftueshme në disk hard drive për të drejtuar BDE. Zgjidhja: Free disa hapësira në kompjuterin tuaj dhe provoni përsëri. Qasja Shkelja Arsyeja: Windows-error-OSE mund të shkaktohet nga Hot Key në përdorimin më të vjetër PC. Nëse ai nuk mund të duplicated, është një dukuri që nuk ka palë Windows. Zgjidhja: Restart kompjuterin. Nëse kjo mund të përputhet me atë të përpiqet duplicated qasje të tjera shkelje në Fakte, apo atë dokument për shqyrtim. Backup utility nuk është gjetur Arsyeja: utility ose nuk është i instaluar -ORYou kanë një të ndryshme të sistemit operativ. Shënim: Në qoftë se të tjera të sistemit operativ Win95, Rikthim funksion nuk do të funksionojë në WinYouth program. Kjo nuk ishte marrë jashtë si disa njerëz ende kanë Win95. Zgjidhja: Nëse Win95 ose Win98, instaloni programin backup (kjo do të kërkojë Win95 e CD apo diskettes). -Kliko mbi Start Settings Control Panel -Double-click on Add / Remove Programs -Kliko ne Windows Setup tab -Kliko mbi kutinë e ardhshëm të Disk Tools, për të "kontrolluar" kutisë. -Kliko OK. Kjo për ju do të shkaktonte në disk. -ORIf running Windows 2000/NT, Windows XP, ose Mijëvjeçarit Operative Sistemit, përdorni një burim alternativ backup. -OROne backup burim alternativ është WinZip produktit (shareware dhe në dispozicion në CD tuaj ose mund të vizitoni faqen e internetit të www.winzip.com). -ORYou mund kopjua mbi një Zip Drive. Nuk mund të rivendosur një kopje rezervë të ndryshme nga një kompjuter Arsyeja: i papajtueshëm WIN95 Rikthim dhe WIN98 Backup. Mund vetëm backup nga njëjtën sistemit operativ. Zgjidhja: Përdor një formë tjetër e backup, ose Zip disk, ose të tjera backup program. Mund të përdorni WinZip (alternative backup program). EDBEngine gabim në gabime që nuk ka palë të ndryshme ... ... Arsyeja e mundshme: Nëse Win2000 sistemit operativ, BDE version është papajtueshme. Zgjidhja: Need version 5/1 ose më të larta. Për të kontrolluar versionin, shkoni te Start Programet Rinia regjistrimit BDE Administrator. Kliko mbi Configuration tab dhe shko Object Version Informacionit. E para është rekord ndoshta Idapi32.dll - version duhet të thonë 5.1.1.1, datë 11-12-99, kohë 5:11:00 Shko te www.borland.com website dhe shkarko më aktuale BDE. EDBEngine gabim në --- Invalid Emri i skedës Arsyeja: Kjo mund të shkaktohet në qoftë se është për një përdorues miratimi i kolegëve-për-miratimi i kolegëve rrjetit, por momentalisht nuk është i regjistruar, ose nuk është mapped drive. Zgjidhja: Ju mund të shkoni në BDE Administrator për të kontrolluar si Net Dir rrugën dhe WinFair rrugën, dhe pastaj të hyjë në Windows Explorer të përpiqen dhe për të gjetur se drive dhe directory. -ORReason: Një tjetër arsye mund të jetë në qoftë se rrugë të specifikoni një rrjet Direktoriumi i përdorur gjatë emrat e file. Zgjidhja: shkurtojnë directory emrat me 8 ose më pak shenja. Error message: "korruptuar table header të tjera se". Arsyeja: gabim të Rënda, duke hedhur off tuaj indekseve; ndoshta humbur indekseve. Zgjidhja: Restauro më të fundit të mbështesë të gjitha dosjet ... *. DB, *. px, *? G? Error message: "Treguesi ka skaduar". Arsyeja: Ndoshta vetëm në kopjuar. DB fotografi. Zgjidhja: Në qoftë se fotografi u dërguan për ju nga dikush tjeter, ata e kanë dërguar GJITHA fotografi në lidhje me ju, jo vetëm *. DB fotografi. Të tilla si: *. px dhe / ose *.? G? -ORReason: Indekseve u bë unsynchronized. Zgjidhja: recreate indekseve në disa fotografi. Varësisht nga file të cilat e keni pranuar këtë mesazh gabimi më. -Kliko mbi Utilities File Utilities -Kliko mbi Youth2A.db (nëse mesazhi është marrë në vazhdim e sipër Anëtar ekranin) -Kliko File recreate indekseve. Rikrijojë-s Ndoshta të indekseve në Youth2D.db, Youth2F.db, Youth2H.db, dhe Youth2XL.db, gjithashtu ... Error message: "Shkelja Key" ose "Duplicate Record" mesazh gabimi. Arsyeja: Ka një dublikatë Anëtar numër rekord dmth. Ose Parent numër. Zgjidhja: Klikoni OK për këtë gabim. Pastaj ose ndryshimi kryesor fushë (Numri Anëtar / prind numër) në një vlerë që është unik, ose klikoni anuloj. Error message: Jo më shumë përdorues të lejohet Arsyeja: Programi mendon se ka më shumë se 4, numri i përdoruesve në programi aktualisht. Zgjidhja: Delete BRWYNet1.NAF nga të dhënat e directory (c: \ Program Files \ Rinia regjistrimit \ Data). Kjo do t'i detyrojë të programit të recreate skedarin me numrin e saktë të qasjes lojëra elektronike. Për të fshirë kjo skedë: Run-i Windows Explorer (Start Programe Windows Explorer.) -Shikoni në directory e të dhënave që përmban fotografi. -Kliko mbi fotografi BRWYNet1.NAF. Press-Delete në tastierë tuaj. -Ajo do të kërkojë, "A jeni i sigurt?" Kliko-Po. Error mesazhe: "Operacioni nuk aplikueshëm, dhe / ose të paligjshme këtë të kryhet një operacion ... " Arsyeja: gabim Windows standarde, do të mund të ju thënë gjëra të ndryshme dmth indekseve janë jashtë sinkronizoj, nuk mjafton dhomë (RAM) në kompjuterin tuaj, diçka që është në kundërshtim me të sistemit operativ. Zgjidhja: mbyllen normalisht, turn off kompjuter, pastaj rinisni kompjuterin. -OR-up disk hapësirë të lirë në hard drive tuaj. -OR-recreate indekseve më specifike fotografi ju jeni duke përdorur në kohën e the error. -OR-kontaktoni nëse vazhdon MarTech Sistemet, mund të jetë diçka tjetër. Përjashtim EDBEngine Gabim në modul WinYouth ... File does ose Directory nuk ekziston. File Youth2I.db Arsyeja: Lost lidhje ose kurrë nuk kishte BDE fotografi. Zgjidhja: Gjej të dhënat dhe fotografi të ndryshojë rrugën WinYouth. Në qoftë se program është instaluar si një përmirësim, duhet të kishte qenë i instaluar si një të ri instalimin. Run the installation mbi krye të përmirësuar, dhe pastaj e Update diskette kandidojë. Përjashtim EDBEngine Gabim në modul WinYouth ... File does ose Directory nuk ekziston. Arsyeja: Corel produkteve të instaluar në kompjuter. Zgjidhja: Kontrolloni BDE Administrator. Ajo mund të jetë e nevojshme për të rinovuar i version. Shko te Start Programe Rinia regjistrimit BDE Administrator Klikoni mbi-Help About - në qoftë se është version më pak se 5,01 nevojë për të rinovuar BDE administratori. -Shko te www.borland.com website dhe shkarko 5/01 version nën dephi. Sistem i duhet vënë update duhur në dosje. Përjashtim EDBEngine Gabim në modul WinYouth ... File does ose Directory nuk ekzistojnë-OR-rruga nuk u gjet Arsyeja: nuk është e udhës të saktë, ose ka humbur. Zgjidhja: Gjej të dhënat fotografi -- Kliko në Run- Find Files or Folders -Type Youth2i.db në "emërohet:" kutinë -Ndryshimi i "Vini Në:" box to My Computer. Gjeni Press-Now. -Në qoftë se nuk janë gjetur fotografi, e drejtuar në instalimin, për instalimin e të dhënave të dosjeve. Në qoftë se skeda është gjetur, e zgjasni "Në Dosjen" shtyllën e saktë për të treguar vendndodhjen e të dhënave fotografi. -Pasi të dhënat janë gjetur fotografi, e drejtuar nga BDE administratori. -Ndryshimi i WinYouth shteg për vendndodhjen e saktë. Përjashtim EDBEngine Gabim në modul WinYouth ... rruga e kontrolluar nga NET fotografi tjetër. Arsyeja: BDE rrugën nuk është e lidhur, ose humbur lidhjen. Zgjidhja: Në çdo kompjuter bëni në vijim: Run e BDE-Admin (Start Programe Rinia regjistrimit BDE Administrator) -Kliko mbi Configuration tab -Zgjidhni Konfigrimin shoferëve Gjuha paradoks -Ndryshimi i paradoks "Net Dir" me rrjetin drive (Kjo mund te behet tek direktoria që përmban të dhënat e fotografi.)
DB Engine Gabim në modul WinYouth ... Panjohur Databank-ORScreen
Arsyeja: juaj në database alias BDE nuk është i instaluar. Zgjidhja: A e mëposhtme për të instaloni alias manually. Run e BDE Administrator (Start Programe Rinia regjistrimit BDE Administratori.) -Kliko mbi bazat e tė dhėnave tab. -Kliko mbi Object New. (Një ekran duket me "standard".) -Kliko OK. - "STANDARD1" teksti do të jetë në pah. -Type WinFair. Kjo do të zëvendësojë fjalën Standard1 me WinYouth. -Të drejtën e gjysmë të ekranit, klikoni në rrugën e drejtë. Kjo duhet te behet e rrugën ku janë të dhënat e fotografi. -Kliko mbi ellipsis (tre dots në të djathtë të udhës line). -A Zgjidhni kutinë dir vjen deri - Gjej rrugën Sigurohuni-treguar korrekte drive (ndoshta C:) Nën-Directories, double-click on Program Files -Double-click on Youth regjistrimit -Double-click on Data -Kliko OK. -Mbylle të BDE Administrator, dhe ruaj ndryshimet. Mbylle file është rritur shumë e madhe. Arsyeja: File flokët deri në mbrojtjen e të dhënave dhe tabelave. Zgjidhja: Delete u bllokua me fotografi. -Kliko mbi Start Find Files or Folders -Kerko per: p *. lck -Shikoni në: My kompjuter -Kliko mbi Gjeni / Gjeni Tani -Fshi ndonjë fotografi ai gjen ... (Fshije Paradox.lck fotografi parë, pastaj fshini Pdxusrs.lck fotografi.) Flokët me një Duplicate Record Gabim. Zgjidhja: Përdorni Cancel button to undo një dublikatë rekord. Rekord i bllokuar nga një përdorues tjetër. Arsyeja: Ose të njëjtin kompjuter ose kompjuter është një tjetër e redaktimi njëjtën rekord. Zgjidhja: rifillimin e kompjuterit Maj zgjidhur këtë. -ORCheck e Net Dir. -Shko te Start Programe Rinia regjistrimit BDE Administrator. -Kliko mbi Configuration tab -Select - Konfigurimi shoferëve Gjuha paradoks -Sigurohuni që paradoks "Net Dir" me rrjetin drive (Kjo duhet të jetë vendosur tek direktoria e të dhënave që përmban fotografi.) Ngritja e rrjetit Peer-to-Peer. Duke patur probleme, emër file i pavlefshëm dhe Regjistri setup-OR-probleme të ndryshme EDB Engine Gabimet SHËNIM: Peer-to-Peer rrjetet nuk rekomandohet për të dhënat e hyrjes. Vetëm rekomandohet për të shikojnë dhe për ndarjen e printerit. Arsyeja: arsye të ndryshme - nuk rrjetit mapping ngritur siç duhet. Zgjidhja: Sigurohuni mapping bërë rregull. Në Windows Explorer-shkoni në Rrjeti i lagjes -Right-click on PC i cili ka të dhëna fotografi. Harta e Rrjetit-Drive - t'i jepte një karakter alfa - që nuk është përdorur si një caktuar me makinë tashmë. Kliko OK ose Apply. SHËNIM: Nëse kjo ka të dhëna pc fotografi në (duke vepruar si server PC sigurohuni C makinë është ndarjen). -ORReason: BDE shtigjet nuk ngritur siç duhet. Zgjidhja: Sigurohuni BDE Administrator është themeluar si duhet. -Shko te Start Programe Rinia regjistrimit BDE Administrator -Kontrollo databaza tab. Sigurohuni-WinYouth është radhitur si një Baza e të dhënave, në qoftë se nuk do të shtojë nga Object New, standard është e shënuar në katrorin, Kliko OK. -Ndryshimi i emrit - Standard1 të WinYouth -Kliko në rrugën për të gjetur të dhënat fotografi. -Kliko mbi Object Apply. -Kontrollo Configuration tab. Sigurohuni-Konfigurimi shoferëve Gjuha paradoks ka një Dir Net -- për të përcaktuar të njëjtën directory e të dhënave në files janë; zakonisht në Drive p.sh. nëse në nivel J fotografi në J drive (mund të ndryshojë në varësi se si e hartës makinë është bërë). -Gjithashtu Kontrollo Konfigurimi Sistemit INIT. S Set-të lokale Share Vërtetë -ORReason: Kabëll gabuar ose e keqe lidhje me pc server. Zgjidhja: A administratorin e rrjetit kontrolloni kabllot, kartë rrjeti, dhe për t'u siguruar që lidhjet të gjitha po punon si duhet. Ky program nuk do të kandidojë. Ajo vazhdon të kërkesës për qasje kode. Arsyeja: Incorrect kode. Zgjidhja: Merrni User Kodit, username dhe një numër fax kështu që ne mund të dërgoni kode ri. -ORNeed për të regjistruar për një program i ri, ka skaduar licenca. -ORDidn 't të hyjë në kodet qasje korrekte, rigjykoj hyrë kodet dhe emri pikërisht si në fletë. Ky program ka kryer ka kryer një operacion të paligjshme, dhe se do të të mbyllen. Nëse kjo vazhdon, kontaktoni Programi shitës. Invalid faqe defekt. Arsyeja: All-qëllim Windows gabim. Zgjidhja: Restart computer. Në qoftë se MUND të jetë gabim në vazhdimësi duplicated, ai është një problem me software. -ORThere mund të jetë një problem me printer driver apo e shkruar nuk është aktuale. -ORThe kompjuter humbur lidhjen e tij - vetëm mbyllen normalisht, fik kompjuter; dhe të fillojnë të gjatë. Në pamundësi për të backup BRWFNet1.NAF Arsyeja: BRWFNet1.NAF fotografi është një sistem i përdorur për të kontrolluar numrin e përdoruesit e qasjes në fotografi dhe është recreated për të hyrë në program. Kjo skedë nuk duhet të jenë të mbështetura. Zgjidhja: uncheck (deselect) e BRWFNet1.NAF fotografi kur kryen e backup. -ORExit programit dhe të vazhdojë deri në programin Windows -- -Shko te Start Programe kinkalerira Sistemit Tools Rikthim Në pamundësi për të ndryshuar WinYouth rrugën për në BDE Administrator Arsyeja: BDE databazë është i hapur. Zgjidhja: Në BDE administratori: -Right-klikoni në WinYouth alias (për të hyrë në një pop-up menu) -Kliko mbi Mbylle (e gjelbër do të zhduket kuti) Ndrysho e-WinYouth udhë.
Update FAQ's
Update FAQ's Të dhënat nga viti i kaluar është shkuar Arsyeja: Nëse duhet të Windows version të vitit të kaluar, dikush mund të ketë instaluar Freskojeni si një të ri instalimit, dhe të dhënat e tyre overwritten fotografi me ato bosh. Zgjidhja: Restauro fundit backup. -ORSee në qoftë se rrjetit fotografi u paprekur dhe kopje të atyre të dhënave directory (nëse në një rrjet). Tentimi për të bashkuar WinYouth dhënave nga një makinë në tjetrën, por kjo nuk duket të jetë duke punuar. Arsyeja: Ju po përpiqen të kopje e fotografi në të njëjtën dosje. Zgjidhja: Sigurohuni që jeni duke ndryshuar default dhe gjetja tuaj fotografi se ju doni të bashkojë. The path duhet të jenë të ndryshme nga ajo që tuaj udhën e të dhënave në programin tuaj thotë. Shembull: të dhënat e mia rrugën është C: \ Program Files \ Rinia regjistrimit \ Data. Dua Dosjet janë të bashkojë në një të përkohshme Unë të krijova më folder - C: \ Happy. Gjeni C: \ Happy shkrihen dhe ato fotografi. -ORReason: Ju jeni duke u përpjekur për të bashkuar nga një makinë dhe nuk ka mjaft hapësirë për të zgjeruar dhe lexoni fotografi në Një makinë kështu që nuk gjithmonë puna. Zgjidhja: Krijimi i një dosje të re në hard drive tuaj (C:) dhe të kopjoni dhe ngjisni fotografi në të gjitha të sapo-krijuar dosje. Pastaj shkoni në programin dhe shkrihen. (Referojuni Rinia regjistrimit Manual, Kapitullin 7, për më shumë informacion mbi shkrirjen.) SHËNIM: Kur shkrirja dhënave të siguruar se çdo kompjuter ka të njëjtin updates on. Për të verifikuar që e kam nën programin Ndihme Rreth të kontrolloni e fundit update date. Data Folder "Si mund ta gjeni se ku të dhënat e mia dosje ruhet në kompjuter sistemin? " Arsyeja: e nevojshme për të ruajtur ose përpuqni fotografi, etj Zgjidhja: Shko Start Programe Rinia regjistrimit BDE Administrator. Në BDE Administratori, klikoni mbi bazat e tė dhėnave. Zgjidhni WinYouth. E djathtë të ekranit ekran do të udhës të rinjve të regjistrimit është duke përdorur programin për qasje të datafiles.
Celesi Shkeles
Shkelja Key Ju jeni duke u përpjekur për të futur një dublikatë rekord në bazën e të dhënave. Çdo rekord duhet të ketë një kod unik ID për të lejuar kërkimin. Më poshtë është një listë e dosjeve, dhe fushën ose kombinim i fushat që duhet të unik. Rinia 2A Anëtar Kodi Youth2B Parent Code Anëtar Youth2BL Kodi, Parent Code Projekti i Kodit Youth2C Anëtar Youth2D Code, Kodi i Projektit, Klubi Kodi, Projekti i Vitit Kodi Youth2E Award Anëtar Youth2F Kodi, Çmimin Kodi Kodi Youth2G Aktivitet Anëtar Youth2H Code, Kodi i Aktiviteteve Iniciativa Youth2J Kodi * Youth2L TransNum * Youth2M TransNum * Youth2N TransNum Kodi Youth2X Club Anëtar Youth2XL Kodi, Klubi Kodi * Dosjet që kanë TransNum përdorin një numër automatike të ardhura si ID kodin. Herë pas here ky numër do të përpiqemi të përdorim një numër që ka qenë përdoren. Kliko mbi fotografi që është duke shkaktuar shkelje kyçe. Klikoni mbi File Fix Key Shkelja. Nëse kjo nuk correct the error, thirrje Mbështetje Teknike. Missing klube, projektet, aktivitetet apo çmime të raporteve. Nuk janë të pasakta ose të humbur Klubi përshkrimet, Project Përshkrimet, Aktivitet Përshkrimet apo përshkrimet në Çmimin e atyre dosjeve. Nëse një përshkrim për një klub ose Projekti ka për të humbur, e klubit apo projekt nuk do të shtypura mbi raportin. Kjo është e ndryshme se MS-DOS Rinia sistemi i cili do t'ju informojë se një klub ose kodin Kodi i projektit nuk u gjet. (Gjithashtu kontrolloni për vs zero "Oh" s.) Anëtar Lista raport nuk e shtypura në çdo anëtarë, por ata janë në fotografi. Shumica ka gjasa, të gjithë deputetëve janë joaktiv.
vector Hapësirë Metodat
Ne të gjithë e mësuar në shkollë se distanca më e shkurtër nga një pikë në një linjë është dhënë nga perpendikulare formën e pikë në linjë. Ky rezultat mjaft intuitiv të jetë lehtësisht i përgjithësuar për problemin e gjetjes së distanca më e shkurtër nga një pikë në një avion. Ne zbuluar se çelësi koncepti në këtë është se vëzhgimet e orthogonality; një koncept që nuk është në dispozicion në përgjithësi normed në hapësirë, por është në dispozicion në Hilbert space. Një Hilbert hapësirë është thjesht një formë speciale normed të ketë një hapësirë të brendshme e produktit i cili është përcaktuar analoge me e dot produkt i dy vectors në gjeometri analitike. Dy vectors janë definuar si orthogonal atëherë nëse e tyre të brendshëm produkti është zero. Hilbert spaces, të pajisur me prodhimet e tyre të brendshëm, posedon një pasuri të strukturore pronat generalizing shumë nga njohuritë tona gjeometrik për dy dhe tre dimensionet. Përkatëse, strukturore këto prona të nënkuptonte një pasuri e rezultateve analitike të zbatueshme për problemet formuluar në Hilbert space. Konceptet e bazave orthonormal, Fourier seri, dhe leastsquares minimizimin e natyrshme të ketë të gjitha cilësimet në Hilbert spaces. Si Dr Christopeit merr më herë në shënimet e tij një hapësirë në themel të Hilbert, ky lloj i hapësirë duhet të definohen dhe këtu më së paku-sheshet minimizimin e dytë do të përfundojë këtë shtojcë. Para se ne të fillojë të punojë me distancat dhe se nga normat vector spaces, ne kemi parë prezantoj norma. Vektor i hapësirave të interesit të veçantë në të dy analiza abstrakte dhe kërkesat e kanë një strukturë të mirë se sa më shumë që të kuptohej nga axioms kryesor. The vector space axioms vetëm përshkruajnë algjebrik pronat e elementeve të hapësirën: Gjithashtu, scalar shumëzimit dhe kombinime të këtyre. Cilat janë të humbur janë topological koncepteve të tilla si hapja, mbyllja, konvergjencės dhe tërësisë. Këto koncepte mund të sigurohet nga futja e një masë e në një distancë hapësirën (Mendoni për një moment të Definicioni i konvergjencës. Kjo do të bëjë asnjë kuptim nëse ne nuk do të jetë në gjendje për të matur distanca në mes të elementeve në një hapësirë, si konvergjencës është në rënie të distanca mes elementeve të një rend dhe vlera limit e saj. Për të matur distancën ne kemi nevojë një distancë masë!).
Përkufizimi 1 A normed linear është një hapësirë vector vector X hapësirë në të cilën nuk ka të përcaktuar një vlerë reale-hartat funksion që çdo element x 2 X në një numri real x quajtur normën e x. Norma e kënaq axioms e mëposhtme: 1. x ? 0 për të gjitha x 2 X. x = 0, nëse dhe vetëm nëse x = 0. 2. x + y ? x + y për çdo x, y 2 X. (trekëndësh pabarazisë) 3. ? x = ? x scalars për të gjithë? dhe çdo x 2 X. I qartë është një normë e zakonshme abstraksion koncepti i gjatësisë. Çdo pikë në një normed hapësirë ka një distancë të pavlefshëm vector 0. Kjo gjatësi është matur nga norma. Për më shumë, e në distancë mund të jetë zero vetëm atëherë nëse dhe vetëm nëse në vektor është normë vektor i pavlefshëm, pasi ai e ka për vete distancë zero. Trekëndësh i pabarazisë thekson se mënyra e drejtpërdrejta midis dy pikat në hapësirë është gjithmonë e më e shkurtër; këtë mund të shihet në një trekëndësh, ku dy palët gjithmonë janë së bashku si më të mëdha të mbetura palë. I treti është gjithashtu e qartë intuitively; nëse ne shumëfishohen një nga një vektor i cili scalar do të thotë kemi vënë?-herë të vektor x përpara veten, pastaj gjatësia duhet të jetë gjithashtu?-herë gjatësinë e vektor (ku është marrë në scalar absolute për të siguruar një vlerë pozitive vlerë, si ne nuk mund ta imagjinoni një gjatësi negativ). Tani, siç u përmend më parë, në leksion ndonjëherë ka punuar me një Hilbert space. Hilbert spaces janë definuar në mënyrë tipike nga socalled para-Hilbert spaces. Përkufizimi 2 Një para-Hilbert hapësirë është një hapësirë lineare vector X së bashku me një produkt të brendshëm të definuar X × X. korresponduese për çdo palë vectors x, y në X të brendshëm produkt e x dhe y është një scalar. Produkti i brendshëm kënaq axioms e mëposhtme: 1. = . 2. = + . 3. =? . 4. ? Dhe 0 = 0, nëse dhe vetëm nëse x = 0. Axioms 2 dhe 3 të garantojë se produkti i brendshëm është lineare në hyrjen e parë dhe si axiom 1 siguron commutability e dy elementë, linearity është siguroi gjithashtu në dytë të hyrjes. Ky produkt i brendshëm është shumë i ngjashëm me tonë të njohur nga scalar produktit Euclidean gjeometrisë; në fakt Euclidean scalar produktit është një formë e posaçme e përgjithshme koncepti i produktit të brendshëm. Sasia p është denoted x , sonë të parë dhe objektivi është që të vërtetojë se është e një normë të vërtetë në kuptimin e Përkufizimi 1. Axioms 1 dhe 3 të japin së bashku ? X ?· = x axiom dhe jep 4 x > 0, x 6 = 0. Ne do të tregojnë më shpejt që të jetë, se (·) satifies gjithashtu e trekëndëshit pabarazisë dhe, që këtej, përcakton një normë më e para-Hilbert space.
Para se të provohet të trekëndëshit pabarazisë, është parë e nevojshme për të provuar një parathënie e shkurtër i cili është thelbësor në tërë këtij seksioni, si dhe për prova se satifies e trekëndësh pabarazisë. Parathënie e shkurtër 3 (e Cauchy-Schwartz Pabarazia) Për të gjitha x, y në një të brendshëm produkt hapësirë, ? kxk kyk. Barazia mban nëse dhe vetëm nëse x =? Y ose y = 0. Dëshmi 7 Në rast se y = 0 e pabarazisë mban trivially; ose më të mirë të barazisë mban trivially. Për këtë arsye, ne supozojmë 6 y = 0. Tani, ne përdorim një trick matematikore, e cila shpesh është aplikuar në argumente. Për të gjitha scalars?, Ne kemi 0? (Z) nga definimi i produktit të brendshëm = -? = -? -? + ? 2 = -2? + ? 2 . Ky mashtrim është tani për të vendosur? në mënyrë të tillë, që ne të merrni Cauchy-Pabarazia Schwartz. Ne mund të gjeni, se me? = ne mund të organizoni të pabarazisë 0? -2 +???? ???? 2 ? -2 2 + 2 ? -2 2 Disa fjalë për marrëveshje. = 2 2, që nga produkti i brendshëm është për të përcaktuar të jetë një e vërtetë të dy dhe numri absolut vlerë, si dhe një shesh të vërtetë numër është pozitive, dhe = mban, si produkt i brendshëm i një vektor me vete u përcaktuar të jetë pozitiv (zero u përjashtua në hapin e dytë e prova). Tani, kjo mund të pabarazisë shkruar qartë si ? p = kxkkyk. ? Pohim i mëposhtëm është thelbësor në këtë kontekst. 1 Në një propozim para-Hilbert space X funksionin kxk = p është një normë.
Dëshmi 8 risjell nga përcaktimi i një norme (Përkufizimi 1) se e vetmja kërkesë për një normë e cila nuk e ka ngritur tashmë është trekëndësh pabarazisë. Për këtë dëshmi ne do të përdorimin e Cauchy-Schartz Pabarazia. Për çdo x, y 2 X, ne kemi kx + yk = = + + + ? kxk2 + 2 + kyk2, ku e fundit mban pabarazisë, pasi që produkt i brendshëm mund të jetë pozitiv ose negative, dhe absolut vlera e këtij produkti është gjithmonë pozitiv. Nga e Cauchy-Schwartz pabarazisë, kjo becomes6 kx + yk2? kxk2 + 2kxkkyk + kyk2 = (kxk + kyk) 2. Tani, shesh rrënjët e mësipërme pabarazisë është rezultatin e dëshiruar. ? Ne duhet t'i japim një shembull këtu për të bërë të qartë se çdo përdoren norma e një para-Hilbert hapësirë është një lloj të caktuar të rrjedhin nga norma e paraqitur konceptin e përgjithshme këtu. Le të marrë në konsideratë të njohur Euclidean normë. Shembulli 1 Hapësira e përbërë nga En-n e tuples numrat reale është një para - Hilbert hapësirë me produktin e brendshëm vektor x = (x1, x2,..., Xn) dhe e vector y = (y1, y2,..., yn) definuar si = PN i = 1 xiyi. Në këtë rast është e qartë se = dhe se linear është në të hyra të dy (i Reader duhet të shikojnë përsëri në Përkufizimi 2.). Norma e përcaktuar si p është XI kxk = n = 1 xi 2! 1 / 2 , që është norma për Euclidean En. Në parathënie e shkurtër 1 kemi bërë një deklaratë në lidhje me atë që ne do të thotë nëse nga orthogonal dhe në konkluzion 1 ne orthogonality tregoi se është e barabartë me një produkt i matricës zero. Këtu define e orthogonality ta në lidhje me produktin e brendshëm dhe të formojnë një relationshp interesante mes norma e dy vectors dhe orthogonality mes këtyre dy vectors. Përkufizimi 3 Në një para-Hilbert hapësirë dy vectors x, y janë thënë të jetë orthogonal nëse = 0. Ne gjithmonë e përdori orthogonality absolutisht të natyrshme, në matematikë, por kjo është një shumë të abstrakte vendosjes, e cila është përcaktuar nga Përkufizimi 3 dhe vetëm në euclidean hapësirë orthogonality është e barabartë me një kënd prej 90?.
Koncepti i orthogonality ka shumë nga pasojat e para-Hilbert në hapësirat që ajo ka në gjeometri plane. Për shembull të Pythagorean teoremë është e vërtetë në para-Hilbert hapësira. Parathënie e shkurtër 4 (Pythagorean teoremë) Nëse x? y, pastaj yk2 = kx + kxk2 + kyk2. Kjo e bën parathënie e shkurtër të bëjë intuitevly ndjenjë kur të menduarit e Euclidean hapësirë, sikur dy vectors janë orthogonal të njëri-tjetrit, ne kemi një trekëndësh me një kënd 90circ dhe në të tilla një trekëndësh të Pythagorean qartazi teoremë mban. Megjithatë, në hapësira të tjera që nuk mund të mendojnë në mënyrë të tillë dhe ne duhet të përdorin vetëm abstrakte përkufizimin e tregoi më sipër. Por, le provë këtë parathënie e shkurtër. Dëshmi 9 kx + yk2 = = + + + = Kxk2 + + + kyk2 = Kxk2 + kyk2. Tani, që nga një para-Hilbert hapësirë është një lloj të veçantë normed lineare vector hapësirë, të koncepteve e konvergjencës, mbylljen, tërësisë, etj, të zbatohen në këto spaces.7 Përkufizimi 4 Një kompletuar para-Hilbert space quhet Hilbert space. Tërësisë në këtë kontekst do të thotë, që çdo Cauchy-rend në një subspace converges në një kufi në këtë subspace dhe mban për çdo subspace në lineare vector space.
Përkufizimi 1 A normed linear është një hapësirë vector vector X hapësirë në të cilën nuk ka të përcaktuar një vlerë reale-hartat funksion që çdo element x 2 X në një numri real x quajtur normën e x. Norma e kënaq axioms e mëposhtme: 1. x ? 0 për të gjitha x 2 X. x = 0, nëse dhe vetëm nëse x = 0. 2. x + y ? x + y për çdo x, y 2 X. (trekëndësh pabarazisë) 3. ? x = ? x scalars për të gjithë? dhe çdo x 2 X. I qartë është një normë e zakonshme abstraksion koncepti i gjatësisë. Çdo pikë në një normed hapësirë ka një distancë të pavlefshëm vector 0. Kjo gjatësi është matur nga norma. Për më shumë, e në distancë mund të jetë zero vetëm atëherë nëse dhe vetëm nëse në vektor është normë vektor i pavlefshëm, pasi ai e ka për vete distancë zero. Trekëndësh i pabarazisë thekson se mënyra e drejtpërdrejta midis dy pikat në hapësirë është gjithmonë e më e shkurtër; këtë mund të shihet në një trekëndësh, ku dy palët gjithmonë janë së bashku si më të mëdha të mbetura palë. I treti është gjithashtu e qartë intuitively; nëse ne shumëfishohen një nga një vektor i cili scalar do të thotë kemi vënë?-herë të vektor x përpara veten, pastaj gjatësia duhet të jetë gjithashtu?-herë gjatësinë e vektor (ku është marrë në scalar absolute për të siguruar një vlerë pozitive vlerë, si ne nuk mund ta imagjinoni një gjatësi negativ). Tani, siç u përmend më parë, në leksion ndonjëherë ka punuar me një Hilbert space. Hilbert spaces janë definuar në mënyrë tipike nga socalled para-Hilbert spaces. Përkufizimi 2 Një para-Hilbert hapësirë është një hapësirë lineare vector X së bashku me një produkt të brendshëm të definuar X × X. korresponduese për çdo palë vectors x, y në X të brendshëm produkt
Para se të provohet të trekëndëshit pabarazisë, është parë e nevojshme për të provuar një parathënie e shkurtër i cili është thelbësor në tërë këtij seksioni, si dhe për prova se satifies e trekëndësh pabarazisë. Parathënie e shkurtër 3 (e Cauchy-Schwartz Pabarazia) Për të gjitha x, y në një të brendshëm produkt hapësirë,
Dëshmi 8 risjell nga përcaktimi i një norme (Përkufizimi 1) se e vetmja kërkesë për një normë e cila nuk e ka ngritur tashmë është trekëndësh pabarazisë. Për këtë dëshmi ne do të përdorimin e Cauchy-Schartz Pabarazia. Për çdo x, y 2 X, ne kemi kx + yk =
Koncepti i orthogonality ka shumë nga pasojat e para-Hilbert në hapësirat që ajo ka në gjeometri plane. Për shembull të Pythagorean teoremë është e vërtetë në para-Hilbert hapësira. Parathënie e shkurtër 4 (Pythagorean teoremë) Nëse x? y, pastaj yk2 = kx + kxk2 + kyk2. Kjo e bën parathënie e shkurtër të bëjë intuitevly ndjenjë kur të menduarit e Euclidean hapësirë, sikur dy vectors janë orthogonal të njëri-tjetrit, ne kemi një trekëndësh me një kënd 90circ dhe në të tilla një trekëndësh të Pythagorean qartazi teoremë mban. Megjithatë, në hapësira të tjera që nuk mund të mendojnë në mënyrë të tillë dhe ne duhet të përdorin vetëm abstrakte përkufizimin e tregoi më sipër. Por, le provë këtë parathënie e shkurtër. Dëshmi 9 kx + yk2 =
Minimizimi dhe përafrimin me vector Hapësirë Metodat
Tani ne e consder minimizimin e koncepteve dhe përafrimin e hapësirave në drejtim, pasi që këto janë të nevojshme për të koncepteve Pak-sheshet-minimizimi (LSM). Le të kthehemi të optimization sonë të parë dhe problemin e projeksionit teoremë e cila e karakterizon zgjidhja e saj. Ne pak provojnë dy versioneve të ndryshme të teoremë: njëri vlefshme arbitrare në një para-Hilbert hapësirë dhe një tjetër, me një përfundim më të fortë, të vlefshme në Hilbert hapësirë. The optimization konsiderohet problem është kjo: Duke pasur një vektor x në një para-Hilbert X hapësirë dhe në një subspace M X, vector gjeni m 2 M afert të x në kuptimin që ajo minimizon kx â'mk. Sigurisht, nëse x vetë qëndron në M, zgjidhja është i parëndësishëm. Në përgjithësi, megjithatë, tri pyetje të rëndësishme duhet të përgjigjet për një zgjidhje të plotë të problemit. Së pari, ekziston një vektor m 2 M cila minimizon kx â'mk, ose është se nuk ka m është po aq i mirë sa të gjithë të tjerët? Së dyti, është zgjidhja unike? E treta, çka është e zgjidhje apo si është karakterizuar atë? Ne u përgjigjemi këtyre pyetjeve tani. Teoremë 7 X Le të jetë një para-Hilbert hapësirë, një subspace M e X, x dhe një arbitrare në vektor X. Nëse ekziston një vektor m0 2 M tillë që kx â 'm0k kx â 'mk për të gjithë m 2 M, pastaj m0 është unike. A është e nevojshme dhe e mjaftueshme kusht që të jetë një m0 2m unike minimizuar vector në M është se gabim vektor x â'm0 të orthogonal të M. Ne qartë futur parashikimet më parë, por ajo që ne bëjmë këtu është për të futur ato në një ngjashme por pak mënyrë tjetër që është në lidhje me minimizimin. Për të minimizuar diçka ne duhet të kemi një masë e cila ka një renditje të plotë, përndryshe minimizimi nuk do të bëjë ndonjë kuptim. Vectors në një drejtim mund të mos jetë urdhëruar (ose ajo është e mundur të thonë se një drejtim është më e madhe si një tjetër për çdo palë vectors në një hapësirë më të larta me dimesnion?), por në masë k k mund të porositen, pasi kjo është një e hartës në hapësirën e vërtetë numra. Le prova tani teoremë. Prova 10 Ne parë tregojnë, se në qoftë se është një m0 minimizuar vector, pastaj x-m0 është orthogonal për të M. Ne kundërshtim me këtë, në të cilat ne supozojmë se ndryshimi nuk është orthogonal në subspace dhe pastaj ne të përpiqemi të gjejmë një tjetër vektor i cili ka pastaj një largësi të vogël në subspace dhe kjo është për të orthogonal; po të jetë kështu vektor m0 tonë nuk mund të jetë një zgjidhje. Supozoni për të kundërtën, se ka një vector M m 2 e cila nuk është në orthogonal x-m0. Pa humbje e parim i përgjithshëm, ne mund të supozojmë se kmk = 1 dhe = ? 6 = 0. Definojė vector M1 2m si M1 + = m0? M. Atëherë kx k-m1k2 = (x-m0) -? mk2 =? P <(x-m0) -? M, (x-m0) -? M>? 2 = <(X-m0) -? M, (x-m0) -? M> = Kx-m0k2- - + ? 2 = Kx-m0k - ? 2 - ? 2 + ? 2 = Kx-m0k - ? 2 kx-m0k 8 milion 6 = m0. Pra, të ndryshme nga çdo vektor m0 ut gjithashtu përmban M nuk është e minimizuar vector dhe deri në atë m0 është unik.
Normal e Equations dhe matricat gram
Në këtë paragraf ne hetuar pas Afrimi problem. Supozoni y1, y2,. . . , Yn janë elemente të një hapësirë Hilbert H. Këto të gjenerojë një vectors (mbyllur) fundor-dimensional subspaceMof H. Duke pasur një arbitrare vektor x 2 H, ne kërkojmë të vector Ë † x 2 milion që është më së afërmi të x. Nëse Ë † x është shprehur në terma e si vectors yi Ë † x = 1y1 + + 2y2 Â Â Â + nyn, problemi është ekuivalente me atë të gjetur n scalars i, i = 1, 2,. . . , N, se minimizuar kx â '1y1 â' 2y2 â 'Â Â Â â' ynk. Kjo shumë e tingujve të gjitha të njohura për ne, duke iu referuar të parë të këtij kapitulli shtënie shënime. Nuk janë të vectors yi e cila përfshin të subspace M ndërtuar dhe të cilat në një lineare vector një kombinim i cili është një projeksion i një arbitrare vektor x 2 H. Në fakt, i tërë projeksion koncept është prezantuar më parë këtu vetëm shtoi nga koncepti i optimization. Ai nuk është vetëm një projeksion mbi një subspace me një korrespondues orthogonal vector, por së bashku me një normë të përcaktuar në hapësirë është gjithashtu në zgjidhjen në një distancë minimale problem; dhe kjo është e re. Tani, sipas projeksionit teoremë, unike minimizuar vektor x është orthogonal projeksion të x mbi M, ose equivalently diferencën vektor x - x orthogonal është çdo e vectors yi. Prandaj, = 0 për i = 1, 2,. . . , N. Ose equivalently, ? 1 + ? 2 + + ? N = ? 1 + ? 2 + + ? N = ... ... ? 1 + ? 2 + + ? N = . A e shikoni këtë të njohura për një econometrician? Natyrisht; equations këto janë të wellknown normale equations për minimizimin e problemit. Korrespondues për këtë ekuacion sistemit të kemi një dimension të matricës n × n G (y1, y2,..., Yn) = 0BBB @ ... ... 1CCCA (18) që quhet gram matricën e y1, y2,. . . , Yn. Është e zhvendos koeficienti i matricës e normale equations. Por si mund të vërtetohet lehtë (nëpër commutativity e Produkti i brendshëm) kjo matricë është simetrik dhe në mënyrë të barabartë koeficientin e matricës. Afrimi është problemi zgjidhet një herë e normale equations janë zgjidhur. Në mënyrë që se ky grup i zgjidhshëm equations të jetë unike, është e nevojshme dhe e mjaftueshme që gram matricė nonzero posedon një përcaktor. Megjithëse equations normale nuk posedojnë një zgjidhje unike yi e në qoftë se janë linearly varur, ka gjithmonë të paktën një zgjidhje. Kështu, degjenerim që shfaqet si një rezultat i detG (y1, y2,..., yn) = 0 gjithmonë rezulton në një shumëllojshmëri e zgjidhjeve se sa jokonsekuent një sërë equations. Nuk ka ende një tjetër rrugë për të përcaktuar një afrimit dhe kjo është paraqitur në mënyrë të ardhshëm paragrafi. Ajo është përdorur ndonjëherë në letërsi dhe posedon një tjetër vetëm si simbol paraqitur tashmë mënyrë.
Wednesday 5 August 2009
Distanca Minimume-Problemi
Minimum distance-Problem Në këtë paragraf define ne distanca midis një subspace vector dhe një nga të mëposhtmet:
Përkufizimi 5 Le të jetë L një komplet subspace e një hapësirë Hilbert H. Pastaj e distanca mes çdo vektor y 2 H dhe L subspace është përcaktuar nga DISTANCA DIST (y, L) = min x2L y - x (19) dhe ajo mban DISTANCA DIST (y, L) = 0, y 2 L. Tani, të socalled Minimum distance-Problem (MDP) e konsideron problem për të gjetur një vector y = 2 fije L, i tillë që y - y DISTANCA DIST = (y, L). Një zgjidhjen në MDP është dhënë në teoremë e ardhshme. Teoremë 8 y Le të jetë një n-dimensional column vector e H dhe le të përfaqësojë L një subspace e H. Pastaj, y DISTANCA DIST zgjidh (y, L) nëse dhe vetëm nëse = 0 8x 2 L, që është y - dend? L. (20) Ne e shohim edhe ne me këtë kuptim i saktë deri në fund të njëjtën pikë dhe këtu e dytë shtënie përfundon. 5 Programim Hapat e parë në EViews EViews nuk është vetëm nëpërmjet mouse klikimeve ekzekutueshem, por zoteron edhe instrument i fuqishëm e programing. Siç u përmend në pjesën e parë të këtyre tutorial vëren, kjo mundësi ka të bëjë shumë më tepër këtë softuer fleksibil (edhe pse ka shumë më të shpejtë programing gjuhë). Ne fillimin here tonë futjen në programing nga dy konsideron ndryshme Monte Carlo Simulimet (MCS). Këto janë bërë në lidhje me të paraqitur tashmë gaus-Markov Teoremë. Kjo teoremë shtete, që nga të gjitha estimators lineare të cilat janë të paanshme, të LS-vlerësues është më e mirë e saj në lidhje me grindje; është se, është e vogël e saj grindje. Pra, le të kontrolloni këtë teoremë nga pas. Ne kemi ndërtuar një vlerësues i cili është lineare dhe të paanshme dhe krahasoni këtë vlerësues në Monte Karlo një eksperiment me LS-vlerësues. Si mund ta ndërtojë një vlerësues i paanshëm lineare? Ne e dimë se vijues linearity Alternativa preventivues, le të thotë se nga ~? , Duhet të jenë lineare në regressand Y. Kjo mund të jetë denoted by ~? Cy =, (21) ku C është një p × T matricës me coefficients cij 2 R, i = 1, 2,. . . , P; j = 1, 2,. . . , T. unbiasedness Alternativa preventivues duhet, të paktën në mesatare i plotësojnë 'true' parametër vector?, që do të thotë si në vijim: E [~?] = E [sq] =? .
Për të siguruar këtë pronë ne duhet të gjejmë një gjendje të caktuar e cila duhet të mbajë. Ky kusht është që rrjedhin nga (22) dhe rezultatet në E [sq] = CE [y] = CE [X] = CXE [] =) I = CX. (23) Pra, të matricës CX produktit duhet të barabarta me identitetin matricës I. Le të zgjedhin për Ëœ koeficienti i matricës C = (e0X) â'1e0, (24) ku është e një vektor kolonë e plotë e unities. Më tej, ne i përdorim për të regressor matricës X thjesht një vektor. Pastaj, (22) mban për shkak të faktit se = CX (e0X) = â'1e0X unë. (25) Është lehtë mund të vërtetohet, se është duke rezultuar preventivues Ëœ = PT t = 1 yt PT t = 1 xt (26) e cila është e thjeshtë të thotë të ndarë nga regressand do të thotë të regressor. Tani, ne përdorim e mëposhtme kodin e programit në EViews për të zbatuar këtë vlerësues në një Simulimi Monte Karlo: 8 â € ™ Monte Karlo Simulimi alternative wfcreate (wf = "temp") u 1 25 vektor (100) VR = na seri X = @ trend për! i = 1-100 seri Y = 0,5 + * X @ rnorm VR (! I) do të thotë = @ (Y) / @ të thotë (X) tjetër sërë 1 100 smpl @ gjitha mtos (VR, SR) SR.hist
Përkufizimi 5 Le të jetë L një komplet subspace e një hapësirë Hilbert H. Pastaj e distanca mes çdo vektor y 2 H dhe L subspace është përcaktuar nga DISTANCA DIST (y, L) = min x2L y - x (19) dhe ajo mban DISTANCA DIST (y, L) = 0, y 2 L. Tani, të socalled Minimum distance-Problem (MDP) e konsideron problem për të gjetur një vector y = 2 fije L, i tillë që y - y DISTANCA DIST = (y, L). Një zgjidhjen në MDP është dhënë në teoremë e ardhshme. Teoremë 8 y Le të jetë një n-dimensional column vector e H dhe le të përfaqësojë L një subspace e H. Pastaj, y DISTANCA DIST zgjidh (y, L) nëse dhe vetëm nëse
Për të siguruar këtë pronë ne duhet të gjejmë një gjendje të caktuar e cila duhet të mbajë. Ky kusht është që rrjedhin nga (22) dhe rezultatet në E [sq] = CE [y] = CE [X] = CXE [] =) I = CX. (23) Pra, të matricës CX produktit duhet të barabarta me identitetin matricës I. Le të zgjedhin për Ëœ koeficienti i matricës C = (e0X) â'1e0, (24) ku është e një vektor kolonë e plotë e unities. Më tej, ne i përdorim për të regressor matricës X thjesht një vektor. Pastaj, (22) mban për shkak të faktit se = CX (e0X) = â'1e0X unë. (25) Është lehtë mund të vërtetohet, se është duke rezultuar preventivues Ëœ = PT t = 1 yt PT t = 1 xt (26) e cila është e thjeshtë të thotë të ndarë nga regressand do të thotë të regressor. Tani, ne përdorim e mëposhtme kodin e programit në EViews për të zbatuar këtë vlerësues në një Simulimi Monte Karlo: 8 â € ™ Monte Karlo Simulimi alternative wfcreate (wf = "temp") u 1 25 vektor (100) VR = na seri X = @ trend për! i = 1-100 seri Y = 0,5 + * X @ rnorm VR (! I) do të thotë = @ (Y) / @ të thotë (X) tjetër sërë 1 100 smpl @ gjitha mtos (VR, SR) SR.hist
'Monte Karlo Simulimi LS wfcreate (wf = "temp1") u 1 25 vektor (100) VR = na seri X = @ trend për! i = 1-100 seri Y = 0,5 + * X @ rnorm ekuacion temp1.ls X Y VR (! I) = c (1) tjetër sërë 1 100 smpl @ gjitha mtos (VR, SR) SR.hist Në fillim ne hapim EViews, por në vend të hapjes së një workfile, si ne po përdoren për të tani, ne llojin në përputhje komandën montecarlo program. Ky hap EViews program editor si treguar në figurën 14 Pastaj, ne fillojmë programit tonë, duke krijuar një kod unstructured (u) workfile me 25 të hyra nga përdorimi i wfcreate (wf = "Emri"). Më pas, ne të deklarojë një vektor me emrin VR e cila ka 100 të hyra, të gjitha bosh (NA). Ky vektor është përdorur për të kontrolluar më vonë në estimators nga repetitions ndryshme. Hapi tjetër është për të krijuar një seri me komandën seri të cilat në këtë program është një prirje e ndryshueshme. Të gjitha seri të cilat janë krijuar në një workfile gjithmonë kanë madhësinë e workfile. Si e vector VR kufijtë e numrit e repetitions (ne nuk mund të grumbulloj më shumë vlera në të vlerësohet se është e madhësisë së tij) për të lak - kalon mbi çdo indeksi i VR. Duhet theksuar këtu, se indeksi fillon në 1 dhe jo si në gjuhë të tjera në 0. Tani, në brendësi të loop, ne e prodhojmë regressand seri me prirje seri dhe normalisht shpërndarë error kushteve, të krijuara nga një numër i rastit gjenerator thirrur nga @ rnorm komandës. Në përputhje të ardhshëm të regressed seri Y është në trendvariable X dhe
më së paku është preventivues sheshet llogariten (ose alternative preventivues). Kjo është bërë nga ana e komandës temp.ls YX ekuacion (si alternativë preventivues ajo nuk është standardi nuk ekziston një komandë të posaçëm për të, kështu që ne duhet të këtij programi indiviudally. I përdorur do të thotë të komandës @ (series) i jep të thotë të seri X Y dhe respektivisht.). I preventivues rezultuar në ith hap pastaj është bërë pirg në ith qelia e VR. Filiqe e kthimit në fillim nga të cilat ka gjithmonë e ardhshme që do të përdoret kur punojnë me një për-loop. Në hapin tjetër të workfile sërë është ndryshuar nga sërë 1 100 saj nga ish rangu të madhësia e vektor (ndryshe ne do të ketë vetëm 25 vërejtjet e analizuara 100). Me smpl @ gjitha të bëjmë të gjithë sample parasysh dhe me mtos (VR, SR2) i mbushur me vektor estimators është ndryshuar nga një drejtim të një serie. Kjo ka për të bërë për shkak të faktit, që vetëm mund të analizojmë EViews seri por nuk vectors. Hapi i fundit është që të ngastër e histogram e të gjitha estimators rezulton nga simulimi dhe kjo mund të bëhet nga përdorimi i komandës SR2.hist. Disa fjalë të fundit për të programimit në EViews. I komandës! para se të krijon një emër një e ndryshueshme, e cila mund të përdoret througout të gjithë programit. 6 Ushtrimet në Kapitullin 1 (Kur'an Shënime) 6,1 Ushtrimi 1 Në të Përgjithshëm linear Modeli (GLM) le ~ M = I - X (X0 -1X)-1X0 -1 Dhe ~ "y =-X ~?. Show: a) ~ M ~ ~ M0 = M , M ~ X = 0. b) ~ "= My = ~ ~ M". c) cov (~?, ~ ") = 0. 6,2 Ushtrimi 2 Le y1,. . . , YT të shpërndahen në mënyrë të pavarur të rastit të ndryshueshëm mëposhtme N (μ,? 2), y = 1 T PT t = 1 yt dhe do të thotë të arithmetic? 2 = 1 T PT t = 1 (yt - y) 2 empirike e grindje. Shfaqja dhe se y? 2 janë të pavarur stochastically (përdorimi teoremë I.5 nga leksion shënime). Hint: Show parë në se y = 1 Nga dhe T? 2 = 1 T y0Ay mban, ku y = (y1,..., YT) 0, B = ? 0 = (1,..., 1) dhe A = I - 1 T?? 0. Një alternativë mund të merret prova me konsideratë e CLMN yt = μ + "t me "t i.i.d. ? N (0,? 2). Pastaj ai mban μ = y dhe? 2 = 1 T "0". Duke përdorur teoremë I.8 (i) nga leksion vëren kompleton prova. 6,3 Ushtrimi 3 Dy econometricians A dhe B janë duke luftuar për regres e saktë për një qasje disa ndryshore Y. Një afirmon regres y = X1? 1 + "1, X1 deterministic (T × K1), (27) B kurse pohimet e regres y = X2? 2 + "2, X2 deterministic (T × K2). (28) Për gabim termat "i, i 2 (1, 2) të mbajë supozimet e CLM. Të (T × (K1 + K2)) -- matricė X = (X1, X2) ka plotë column rend. a) Në qoftë se në besimet Një qasje e tij, ai miri se si do të vlerësoni regres koeficient ? 1? Cilat statistikore pronave do të ketë një vlerësues i, nëse modeli i tij ishin të sakta? b) Për çfarë do të shndërrohet (i) të grindje-covariance nga një matricë)? 1. Një e drejtë nëse u? 2. B nëse janë të drejtë? (ii) do të thotë-sheshin-error matricës nga një)? 1. Një e drejtë nëse u? 2. B nëse janë të drejtë? c) Një e treta econometrician C sugjeron në roder për të balancuar super model y = X1? 1 + X2? 2 + "3. (29) Si janë statistikisht optimale për estimators? 1 dhe? 2 ndërtuar për (29)? Shfaqja covariance e matricës të estimators për këtë? 1. d) Show: Në qoftë se (29) është e 'vërtetë' model atëherë grindje-covariance matricën e preventivues? 1 nga (27) është më e vogël si grindje-covariance matricën e preventivues? 1 nga (29) (në lidhje me urdhërimin-Löwner). Pse nuk e kundërshtojnë këtë të Blue pronë e? Nga 1 (29)? e) Në qoftë se (27) është e 'vërtetë' model: Cili statistikore bën pronat? 1 nga (29) ekspozitë? Krahasoni saj grindje-covariance matricës me një nga preventivues në (27). Komenti 1: do të thotë-e-error matricës katrore nga një vlerësues? e një paramater? është dhënë nga MSEM = E (? -?) (? -?) 0. (30) Në veçanti ai mban për të paanshme estimators MSEM = cov (?,?). Komenti 2: Pjesa d) të bëjë me efektet e shkaktuara nga një misspecification duke lënë jashtë efektive dhe regressors pjesë e) i korrespondon një misspecification efektet e shkaktuara nga duke shtuar regressors model për të cilat nuk kanë ndonjë ndikim mbi regressand (në masë respekt për 'true' model respektivisht). Additives: 1. Anasjellë e një matricë e ndarë: ? A11 A12 A21 A22? =? B11 B12 B21 B22? (31) me B11 = [A11 - A12A-1 22 A21] -1. 2. Le A1, A2 të rregullt simetrik matricat e njëjta dimension, atëherë ajo mban A1? A2, A-1 2? A-1 1. (32) 3. Një PSD, A-1 PSD.
Dy qasjet regres konsiderohen: y (1) = X1 (1) + "(1), y (2) = X2 (2) +" (2), (33) ku y (1) është (T1 një-1), y (2) është (T2 një-1) dhe (1) dhe (2) janë të dyja (K A-1) (shënim të njëjtën Numri i regressors në të dy regjimet). Të dy modelet janë marrë për të CLM dhe "(1) është supozohet të jetë i pavarur nga statistikisht "(2). Zhvillimi i F-Statistic për barazinë e të dy regjimet, në qoftë se a) është e njohur, se e gabimit grindje lidhur në të dy regjimet është e njëjtë. b) është e njohur asgjë në lidhje me grindje e gabimit termave. Hint: Kombinoje të dy të një regressions gjithëpërfshirës super model. 6,5 Ushtrimi 6 Për qëllim të analizuar determinants e pagave dhe, në veçanti, zbulimin dhe matjen e pagave nga raca apo diskriminimit gjinor, në vijim model është propozuar: LNWAGE = + F + Fe  U  UNION + N  NONWH H  HISP + + 1 + 2 DE    EX + 3 + EXSQ u. (34) E kuptimin e variablave është si më poshtë: Logaritëm LNWAGE e të ardhurave per ore pune Fe Dummy për femra. BASHKIMI Dummy për rast se individi punon në një bashkim të punës. NONWH Dummy për jo-Bardhë dhe jo-hispantik. HISP për Dummy hispantik. ED Vitet e shkollimit. EX Vite përvoje (MOSHA â = 'DE â' 6). Sheshi i EXSQ EX. Sample Size 550 individë.
OLS-vlerësim të (34) të prodhuar pas vlerësimeve për coefficients (me absolut vlerat e t-statistikat në kllapa): CONST: 0,4882 (4,96) Fe: 0,3060 (8,89) BASHKIMI: 0,2071 (5,62) NONWH: -0,1573 (2,86) HISP: -0,0272 (0,39) ED: -0,0746 (11/22) EX: 0,0262 (5,55) EXSQ: -0,0003 (3,03) R2 0,3924 SSE 80,1376 a) të ndërtojë një 95%-confidence interval për koeficientin e EX. b) Test me hipoteza EXSQ që nuk ndikojnë në LNWAGE. c) Çfarë do të thotë se është shpërblimi i një logarithmic pesëdhjetë vjeç bardhë meshkuj me dymbëdhjetë vjet e shkollimit dhe të punës në një vend jo-bashkimit punë? Të njëjtat pyetje për një të zi (të tjera variablave që të barabartë). A është e informacionit në të dhënat në dispozicion për të ju të mjaftueshme për të të vendosë nëse një dallim është i rëndësishëm? Nëse jo, çfarë lloji të informatave shtesë do të keni nevojë? d) Një person i pesëdhjetë vjeç me dymbëdhjetë viteve të shkollimit fiton $ 10 në orë. Çfarë është me rritjen e pagave ai mund të presin në një vit (në të njëjtën kohë në punë)? e) Test me hipoteza se racor statusit nuk efekt pagave (e shtrënguar SSE = 81,3488). f) Test me hipoteza se coefficients NONWH dhe HISP janë të barabartë (jo domosdoshmërisht zero; shtrënguara SSE = 80,5008). Klasifikim të dhënat në tri subsamples sipas individuale nëse është jo-Bardhë dhe jo-hispantik (NONWH = 1), hispantik (HISP = 1) ose të tjera (NONWH = HISP = 0), një regres në pjesën e mbetur të ndryshueshëm u drejtua për secilin nga këto subsamples, dmth LNWAGE =? +? Fe + F? U UNION +? 1 + DE? 2EX +? 3 + EXSQ u. (35) Të SSEs për të tre subsamples u SSE (NONWH) = 11,9364, SSE (HISP) = 2,4631 dhe SSE (TJERA) = 63,8304. Mostra madhėsive qenë 57, 36 dhe 457 respektivisht. Tjetër (35) u vlerësua për pooled + sample HISP TJERA total dhe për të mostrës, kapitulim SSEs e 66,8373 dhe 81,3488. g) Kryen një ushqim-test të pavlefshme të gjitha hipotezat se parametrave nga HISP sample janë të barabartë me ata nga TJERA sample. h) Kryen një ushqim-test i pavlefshëm hipoteza se të gjitha parametrat janë të barabartë në të tre subsamples (ushqim-test me tre regjimet!).
Le y = (y1,..., Ym) z = 0 dhe (z1,..., Zn) 0 të dy mostra të pavarur nga një normalisht shpërndarë random ndryshueshme (domethënë yi i.i.d. ? N (μ1,? 2 1), zj i.i.d. ? N (μ2,? 2 2)). I pavlefshëm hipotezë e barazisë së dy variances është që të testohesh (alternative është: të variances janë ndryshme). a) të njehsoj lr-statistikat dhe formulojë atë duke përdorur marrëdhëniet R =? 2 1 ? 2 2 e dy pakufizuar ML-estimators për variances. b) Përcaktoni R dhe shpërndarjen e define kritike për rajonin e R-statistikor (Përdorni për pjesën e dytë për thjeshtëzimin supozimin se m = n). c) të llogaris correpsonding Uolld-statistikor. d) njehsoj përkatëse LM-statistikor. 7 Vlerësimi në maksimum gjasat EViews Në këtë seksion ne flasim në lidhje me përdorimin në maksimum gjasat Vlerësimi EViews në një shumë të mënyrë fleksibile (dmth. ne i përdorim në dritare të përcaktojë programin tonë funksion që duhet të maksimizohen). Ne përdorim një model shumë të thjeshtë (CAPM) si një shembull dhe të tregojnë se si të përdorin numerike analitike dhe derivateve të parë. Më tej, ne kemi prezantuar disa numerike optimization algoritma te përdoren në econometrics për të vlerësuar nonlinear equations. Le të fillojë me modelin tonë, përdoret si një shembull të thjeshtë. Ne e konsiderojmë të modelit CAPM = yt? +? Xt + "t t = 1,..., T, (36) ku yt është i tepërt kthimin e një cyclical konsumatorit Indeksi i mirë dhe xt denotes e tepërt kthim në periudhën t për një treg të madh indeks (që përmban të gjithë sektorët) .9 Ky model është vlerësuar nga OLS dhe mbetjeve të konsiderohen si dhe vlerësuar shpërndarjes në një histogram (shih figurën 15). Ajo tregon se ka dy vlerat të cilat kanë të vërtetë shumë të ulët të kthimit (rreth -20%). Në qoftë se ne supozojmë se janë të mbetjeve normalisht shpërndahet me standarde të thotë zero dhe devijimi i 5,53 (si llogaritur) e probabilitet të lartë vëzhguese shmangie të tilla (me më shumë se 3.65s larg) nga të thotë është P (X? 3.65s)? 0,0003. (37) Computing krahasim e mostrës për frekuencën e këtyre vëzhgimeve të kemi P (X? 3.65s) = 0,0083. (38) Ky rezultat është shumë më e madhe se sa e probabilitetit vëzhguese vlerat ekstreme të tilla në kuadrin e një normale të shpërndarjes. Kur konsideron stock market kthimit ai duhet të konsiderohet se herding sjellje si dhe reagime të forta për të nxitur ndryshimin e çmimeve • të lartë të kthimit si dhe pritet • kthimin e cila më shumë shmangem nga 'i largët do të thotë'.
OLS-vlerësim të (34) të prodhuar pas vlerësimeve për coefficients (me absolut vlerat e t-statistikat në kllapa): CONST: 0,4882 (4,96) Fe: 0,3060 (8,89) BASHKIMI: 0,2071 (5,62) NONWH: -0,1573 (2,86) HISP: -0,0272 (0,39) ED: -0,0746 (11/22) EX: 0,0262 (5,55) EXSQ: -0,0003 (3,03) R2 0,3924 SSE 80,1376 a) të ndërtojë një 95%-confidence interval për koeficientin e EX. b) Test me hipoteza EXSQ që nuk ndikojnë në LNWAGE. c) Çfarë do të thotë se është shpërblimi i një logarithmic pesëdhjetë vjeç bardhë meshkuj me dymbëdhjetë vjet e shkollimit dhe të punës në një vend jo-bashkimit punë? Të njëjtat pyetje për një të zi (të tjera variablave që të barabartë). A është e informacionit në të dhënat në dispozicion për të ju të mjaftueshme për të të vendosë nëse një dallim është i rëndësishëm? Nëse jo, çfarë lloji të informatave shtesë do të keni nevojë? d) Një person i pesëdhjetë vjeç me dymbëdhjetë viteve të shkollimit fiton $ 10 në orë. Çfarë është me rritjen e pagave ai mund të presin në një vit (në të njëjtën kohë në punë)? e) Test me hipoteza se racor statusit nuk efekt pagave (e shtrënguar SSE = 81,3488). f) Test me hipoteza se coefficients NONWH dhe HISP janë të barabartë (jo domosdoshmërisht zero; shtrënguara SSE = 80,5008). Klasifikim të dhënat në tri subsamples sipas individuale nëse është jo-Bardhë dhe jo-hispantik (NONWH = 1), hispantik (HISP = 1) ose të tjera (NONWH = HISP = 0), një regres në pjesën e mbetur të ndryshueshëm u drejtua për secilin nga këto subsamples, dmth LNWAGE =? +? Fe + F? U UNION +? 1 + DE? 2EX +? 3 + EXSQ u. (35) Të SSEs për të tre subsamples u SSE (NONWH) = 11,9364, SSE (HISP) = 2,4631 dhe SSE (TJERA) = 63,8304. Mostra madhėsive qenë 57, 36 dhe 457 respektivisht. Tjetër (35) u vlerësua për pooled + sample HISP TJERA total dhe për të mostrës, kapitulim SSEs e 66,8373 dhe 81,3488. g) Kryen një ushqim-test të pavlefshme të gjitha hipotezat se parametrave nga HISP sample janë të barabartë me ata nga TJERA sample. h) Kryen një ushqim-test i pavlefshëm hipoteza se të gjitha parametrat janë të barabartë në të tre subsamples (ushqim-test me tre regjimet!).
Le y = (y1,..., Ym) z = 0 dhe (z1,..., Zn) 0 të dy mostra të pavarur nga një normalisht shpërndarë random ndryshueshme (domethënë yi i.i.d. ? N (μ1,? 2 1), zj i.i.d. ? N (μ2,? 2 2)). I pavlefshëm hipotezë e barazisë së dy variances është që të testohesh (alternative është: të variances janë ndryshme). a) të njehsoj lr-statistikat dhe formulojë atë duke përdorur marrëdhëniet R =? 2 1 ? 2 2 e dy pakufizuar ML-estimators për variances. b) Përcaktoni R dhe shpërndarjen e define kritike për rajonin e R-statistikor (Përdorni për pjesën e dytë për thjeshtëzimin supozimin se m = n). c) të llogaris correpsonding Uolld-statistikor. d) njehsoj përkatëse LM-statistikor. 7 Vlerësimi në maksimum gjasat EViews Në këtë seksion ne flasim në lidhje me përdorimin në maksimum gjasat Vlerësimi EViews në një shumë të mënyrë fleksibile (dmth. ne i përdorim në dritare të përcaktojë programin tonë funksion që duhet të maksimizohen). Ne përdorim një model shumë të thjeshtë (CAPM) si një shembull dhe të tregojnë se si të përdorin numerike analitike dhe derivateve të parë. Më tej, ne kemi prezantuar disa numerike optimization algoritma te përdoren në econometrics për të vlerësuar nonlinear equations. Le të fillojë me modelin tonë, përdoret si një shembull të thjeshtë. Ne e konsiderojmë të modelit CAPM = yt? +? Xt + "t t = 1,..., T, (36) ku yt është i tepërt kthimin e një cyclical konsumatorit Indeksi i mirë dhe xt denotes e tepërt kthim në periudhën t për një treg të madh indeks (që përmban të gjithë sektorët) .9 Ky model është vlerësuar nga OLS dhe mbetjeve të konsiderohen si dhe vlerësuar shpërndarjes në një histogram (shih figurën 15). Ajo tregon se ka dy vlerat të cilat kanë të vërtetë shumë të ulët të kthimit (rreth -20%). Në qoftë se ne supozojmë se janë të mbetjeve normalisht shpërndahet me standarde të thotë zero dhe devijimi i 5,53 (si llogaritur) e probabilitet të lartë vëzhguese shmangie të tilla (me më shumë se 3.65s larg) nga të thotë është P (X? 3.65s)? 0,0003. (37) Computing krahasim e mostrës për frekuencën e këtyre vëzhgimeve të kemi P (X? 3.65s) = 0,0083. (38) Ky rezultat është shumë më e madhe se sa e probabilitetit vëzhguese vlerat ekstreme të tilla në kuadrin e një normale të shpërndarjes. Kur konsideron stock market kthimit ai duhet të konsiderohet se herding sjellje si dhe reagime të forta për të nxitur ndryshimin e çmimeve • të lartë të kthimit si dhe pritet • kthimin e cila më shumë shmangem nga 'i largët do të thotë'.
Figura 15: Histogram dhe deskriptiv statistikave nga OLS-mbetjeve. Së bashku me rezultatet tona më parë do të mund të mendohet se e mbetjeve të ketë një shpërndarje me yndyrë pilë. Tani, nëse ky supozim është korrekt, ne duhet të përdorë këtë informacion në tonë krijim sipas modelit, p.sh., ne duhet të mbetjeve model si të shpërndahet me yndyra pilë. Ky ka këto teorike sfondi: Edhe nëse tonë supozim është e drejtë, do të OLS ende të jetë i paanshëm dhe të vazhdueshme, por nuk është më efikase. Nëse ne model në mënyrë eksplicite shpërndarja e mbetjeve tonë me ML tona duhet të jenë efikase vlerësues (duke pasur parasysh korrektësi shpërndarja e mori), si i përcakton nga informacionet e matricës Cramer-Rao-Ulët të lidhura. Nga kërkoj yndyrë bisht distributions-t të shpërndarjes është një kandidat i mundshëm (e cila është përdorur në shumë aplikacione që kanë të bëjnë me të dhënat e tregut të aksioneve të kthimit). Jonë e re model është tani: = yt? +? Xt + "t, (39) ku ende të gjitha supozimet për vlefshmërinë e OLS janë fullfilled mbetjeve por tani janë marrë të jenë të shpërndarë-t: "t i.i.d. domethënë p (" t) = c5 1 + "t 5? 2? -3 ? , (40) c5 ku është shkallë e parametër për shpërndarjen-t, me 5 gradë e lirisë dhe ajo mban p R ( "t) d" t = 1 (ku integrale është shenjë mbi të gjitha rezultatet e mundshme). Me këtë informacion mund të vënë në funksion tonë loglikelihood formën e mëposhtme: l (y,?) = T Xt = 1 log (p ( "t) T = log (c5) -- T 2 log (? 2) - 3 T Xt = 1 log? 1 + (yt -? -? xt) 2 5? 2? , (41) ku? = (?,?,? 2) 0 vektor është e parametrave dhe y është i vector vërejtje. Kjo duhet të jetë funcion maksimizohen për të marrë të vlerësohet nga parametrat ML. Ne mund të shihni me lehtësi, se kjo nuk është e mundur analytically; dmth ajo ka për të bërë nga një numër program. EViews është ale për të zgjidhur probleme të tilla maximization nga një numerike optimization algorithm. Të përgjithshme përcaktimin e mëtejshëm të tilla algortihms dhe disa shembuj të posaçme do të të shpjegohet në këto nėnseksionin.
Algoritma Numerike
Ne focuse vëmendjen tonë në këtë pjesë të algoritma te përdor 'gradient metodës', pasi që këto janë të algoritma te të përdoren në econometrics. Pra, le të fillojë me një shpjegim të përgjithshme atë që po ndodh në qoftë se ne përdorim një algorithm tillë për të gjetur një parametër kombinim i cili maximizes një kriter të funksionojë. Çdo algorithm nevojat disa në shkallë të parë për fillimin e vlerave? dhe ajo është e madhe për të zgjedhur të përdorin duke filluar nga vlera shumë të afërt me optimale dhe, nëse është e mundur është larg nga të papërcaktuar pjesë e një kriter të funksionojë për të garantuar sukses të madh të optimization. Pastaj e algorithm fillon të funksionojë për të vlerësuar në këtë pikë dhe atë parametër të updates parametër vector pas ekuacion ? s = 1? s + Asgs, (42) ku? s është parametër pika në të cilën është vetëm funksionin vlerësohet,? s 1 është parametër vector përdoren për vlerësim në hapin tjetër s 1, gs = @ QN (?) @? ? s është i pjerrët vector vlerësohen në pikën? s dhe AK × Si është në varësi të matricës k? s (kështu që është gjithmonë vlerësohen në parametrat hap nga s) .10 Tani, algoritma te ndryshme gradient të përdorin metoda të ndryshme matricat Si, e cila mund të shihet si koeficient matricat si ata 'peshë' gradient të vlerësohen në një farë parametër kombinim. Matricat e pronës duhet të kenë të jetë pozitiv për të caktuar për Arsyeja e mëposhtme: kriter të vlerësohen në funksion një hap 1 s do të jenë më të larta në vlerë vlerësohet se në atë parametër në vektor hap s; se është zyrtarisht QN (? s +1)> QN (? s). Kjo mund të shpjegohet më mirë duke konsideruar Taylor për zgjerimin QN (? S +1) rreth vlera QN (? s): QN (? S +1) = QN (? S) + g0s (? S 1 -? S) + R QN (? S +1) - QN (? S) = g0s (? S + Asgs -? S) + R QN (? S +1) - QN (? S) = g0sAsg (Z)> 0 nëse Pos. def. + R. (43) R Këtu është vetëm një term me pjesën tjetër të papërfillshme gabim. I matricës Si duhet të zgjidhet vetëm në një mënyrë të drejtë, si në qoftë se ajo është shumë e vogël e algorithm është tepër i ngadalshëm (si atëherë gradient ponderuar është shumë më pak) dhe në qoftë se ajo është shumë e madhe e algorithm do ia kaloj optimale dhe ndoshta do të kaloni nëpër vlerë optimale pa converging. Ky fakt jep të rritet në një pyetje tjetër. Në pikën e cila do të bëjë të algorithm ndalesa? The algorithm ndalesa në qoftë se ajo ka gjetur një opimum, por kjo është si analytically unfeasible, ajo vetëm approximates vlera dhe ndalesa në qoftë se është "afër për 'të optimale. Nuk mund të jenë të shënuara disa rregulla të cilat janë zbatuar në pothuajse çdo algorithm: algorithm e ka arritur konvergjencë nëse 1. relative të ndryshojë në funksion QN kriter është shumë e vogël dhe 2. ndryshimin e pjerrët në krahasim me pëlhurë kërpi për çanta është shumë e vogël dhe 3. relative ndryshim i parameter vektor është shumë e vogël. Një vlerë konservatore për konvergjencës është 10-6. Për të shmangur një pushim i kompjuterit në qoftë se nuk algorithm konvergjoj normalisht është dhënë një numër maksimal të iterations dhe nëse ky numër i hapave të arritur algorithm ndalesa dhe i jep një porosi se konvergjencės nuk ka të arrihet.
Le të marrë në konsideratë informatikë e pjerrët e cila është duke u përdorur për një algorithm optimization duke përdorur metodën e gradient. I pjerrët është një drejtim në të cilin të pjesshme derivateve në respekt të çdo parametër janë bërë pirg. Si zakonisht e derivateve janë gjithashtu nuk analytically llogaritshëm, numerike approximations janë përdorur. Kjo bëhet duke përdorur formulën e mëposhtme: ? QN (? S) ?? j = QN (? S + Hej) - QN (? S - Hej) 2h . (44) Këtu? J është komponent i jth parameter vektor (dmth. e jth parametër i tona kriter funksion), h është vend i vogël pozitiv scalar dhe ej është një vektor me unitet në jth komponent dhe të gjitha elementet e mbetur zero. Kjo do të thotë për të rrjedhura prej jth, e algorithm computes ndryshimin në një kriter të funksionojë në qoftë se të bëjmë një hap mjaft i vogël larg jth parametër në vlerë? s. Si duam jo vetëm e konsiderojnë pozitiv drejtime por edhe ne drejtime negative të marrë diferencën e një kriter për funksionet parametër vlerat në të dyja drejtimet (më tej këtë përafrimin e bën më të mirë si një alternativë). Kjo është bërë për të gjitha parametrave ne? S dhe më pas ne e dimë që nga matematika, se kjo vector pikë në hapësirën e parametrave në drejtim të ardhura më të larta të kriter funksion (p.sh. në rast se ne të ndryshojë në të gjitha parametrat? s në drejtim të dhënë nga gradient, kriteri funksion do të rritet) .11 Nëse ne e konsiderojnë (44), shprehje na tregon se ne duhet të vlerësojë të gjithë i prejardhur approximations k parametrave dhe për secilin nga dy herë si N vërejtje ne kemi dy kriter në funksion të vlerave të enumerator. Më tutje, në çdo hap të gradient ka të llogaritet përsëri, e cila do të thotë që ne duhet të bëj llogaritje e approximations për hapat S 2 k N S. Nëse ne i përdorim në vend të kësaj analitike derivateve vetëm N k S computations mbeten dhe përveç kësaj vlera e saktë që do të jetë i prejardhur dhe jo një afrimit. Ne do të vijnë në këtë pikë më vonë në qoftë se ne konsiderojmë tonë optimization problemin në dorë. Tani le të konsiderojnë disa algoritma te posaçme. 7.1.1 Të BHHH-algorithm Kjo ishte zhvilluar nga algorithm Berndt, Hall, Hall dhe Hausman në 1974,12 Siç u përmend më lart, algoritma te ndryshme gradient përdorin metoda të ndryshme dhe matricat Si të përdor BHHH e mëposhtme: Si =-H-1 BHHH; s, (45) ku - HBHHH; s = -- 1 N XI N = 1 @ Qi (?) ? @ Qi (?) ? 0 ? S, (46) dhe QN (?) = XI N = 1 Qi (?). (47) 11It duhet të jetë e qartë se h duhet të jenë shumë të vogla si @ QN (? S) @? j = Limh! 0 ? QN (? S) ?? j. 12For më shumë informacion shih Fletçer (1981).
Kjo është e BHHH përdor anasjellë e matricës approximated pëlhurë kërpi për çanta negative nga ana e jashtme e produktit e gradient.13 I përdorimit të afrimit këtë metodë mund të jetë pranuar nga konsideron se në rrethanat e ML vlerësim. Në ML QN (?) = PN i = 1 log (fi (?)) dhe të matricës pëlhurë kërpi për çanta nuk është asgjë tjetër por negative anasjellë e informacionit matricës I (?) = E-h @ 2LN (?) @? @? 0 i. Si është e anasjellë e matricës ajo mban informacion: - H (?) = E? @ 2LN (?) @? @? 0? E = "N = 1 XI @ Log (fi (?)) @? XI N = 1 @ Log (fi (?)) @? 0 # i.i.d. = XI N = 1 E? @ Log (fi (?)) @? @ Log (fi (?)) @? 0? . (48) Tani, interchanging shpresa e saj nga sample ekuivalente të kemi (46). Pra, e intuitë prapa BHHH mund të shihet nga rishqyrtimin (42). Për thjeshtim ne supozojmë se ne kemi vetëm një parametër. Pastaj, atë parametër i hap s + 1 është parametër i hap aktuale s shtoi nga e para të rrjedhura prej herë negative inversed dytë. Kjo do të thotë nëse ne jemi larg nga e optimale do të jetë shumë i pjerrët lartë dhe i dyti i prejardhur, matjen e grafik e kriter të funksionojë në pikë? s normalisht është shumë i ulët. Pra tep të ardhshëm do të jetë e gjerë. Nëse ne jemi në vend të ngushtë në të optimale, ndryshimi do të jetë i vogël dhe negative të dytë do të jetë i madh i prejardhur (për një maksimum) kështu që ne kemi marrë një hap tjetër shumë i vogël. Ne mund të shohim se i anasjellë pëlhurë kërpi për çanta Matrica është një metodë e përshtatshme për kompensim të pjerrët në ripërtëritjen funksion (42). 7.1.2 Të Levenberg-Marquardt algorithm Algorithm Kjo është një metodë e cila përmirëson BHHH mëtejshëm. Ai përdor të barabartë me të BHHH negative të pëlhurë kërpi për çanta, por shton ai që ka në disa vlera të mëtejshëm: ? s = 1? s + (+ Hs-ci) 1gs-c> 0. (49) Kjo ka një arsye të cilat mund të shpjegohet me konsideron invertion ofthe pëlhurë kërpi për çanta matricës. Nëse pëlhurë kërpi për çanta matricës është gati njëjës kjo mund të jetë fakti se një afrimit mund të mos jenë të përmbysur. Për ta bërë një matricë nonsingular vlerë është shtuar në çdo diagonale dhe element nga nonsingularity që mund të arrihet si tani ajo është më pak e mundshme që e KOLONAT e matricës rezultuar janë linearly varur. Si e Levenberg-Marquardt algorithm është më e fuqishme se është përdorur edhe në EViews gjasat për optimization e funksioneve.
Le të marrë në konsideratë informatikë e pjerrët e cila është duke u përdorur për një algorithm optimization duke përdorur metodën e gradient. I pjerrët është një drejtim në të cilin të pjesshme derivateve në respekt të çdo parametër janë bërë pirg. Si zakonisht e derivateve janë gjithashtu nuk analytically llogaritshëm, numerike approximations janë përdorur. Kjo bëhet duke përdorur formulën e mëposhtme: ? QN (? S) ?? j = QN (? S + Hej) - QN (? S - Hej) 2h . (44) Këtu? J është komponent i jth parameter vektor (dmth. e jth parametër i tona kriter funksion), h është vend i vogël pozitiv scalar dhe ej është një vektor me unitet në jth komponent dhe të gjitha elementet e mbetur zero. Kjo do të thotë për të rrjedhura prej jth, e algorithm computes ndryshimin në një kriter të funksionojë në qoftë se të bëjmë një hap mjaft i vogël larg jth parametër në vlerë? s. Si duam jo vetëm e konsiderojnë pozitiv drejtime por edhe ne drejtime negative të marrë diferencën e një kriter për funksionet parametër vlerat në të dyja drejtimet (më tej këtë përafrimin e bën më të mirë si një alternativë). Kjo është bërë për të gjitha parametrave ne? S dhe më pas ne e dimë që nga matematika, se kjo vector pikë në hapësirën e parametrave në drejtim të ardhura më të larta të kriter funksion (p.sh. në rast se ne të ndryshojë në të gjitha parametrat? s në drejtim të dhënë nga gradient, kriteri funksion do të rritet) .11 Nëse ne e konsiderojnë (44), shprehje na tregon se ne duhet të vlerësojë të gjithë i prejardhur approximations k parametrave dhe për secilin nga dy herë si N vërejtje ne kemi dy kriter në funksion të vlerave të enumerator. Më tutje, në çdo hap të gradient ka të llogaritet përsëri, e cila do të thotë që ne duhet të bëj llogaritje e approximations për hapat S 2 k N S. Nëse ne i përdorim në vend të kësaj analitike derivateve vetëm N k S computations mbeten dhe përveç kësaj vlera e saktë që do të jetë i prejardhur dhe jo një afrimit. Ne do të vijnë në këtë pikë më vonë në qoftë se ne konsiderojmë tonë optimization problemin në dorë. Tani le të konsiderojnë disa algoritma te posaçme. 7.1.1 Të BHHH-algorithm Kjo ishte zhvilluar nga algorithm Berndt, Hall, Hall dhe Hausman në 1974,12 Siç u përmend më lart, algoritma te ndryshme gradient përdorin metoda të ndryshme dhe matricat Si të përdor BHHH e mëposhtme: Si =-H-1 BHHH; s, (45) ku - HBHHH; s = -- 1 N XI N = 1 @ Qi (?) ? @ Qi (?) ? 0 ? S, (46) dhe QN (?) = XI N = 1 Qi (?). (47) 11It duhet të jetë e qartë se h duhet të jenë shumë të vogla si @ QN (? S) @? j = Limh! 0 ? QN (? S) ?? j. 12For më shumë informacion shih Fletçer (1981).
Kjo është e BHHH përdor anasjellë e matricës approximated pëlhurë kërpi për çanta negative nga ana e jashtme e produktit e gradient.13 I përdorimit të afrimit këtë metodë mund të jetë pranuar nga konsideron se në rrethanat e ML vlerësim. Në ML QN (?) = PN i = 1 log (fi (?)) dhe të matricës pëlhurë kërpi për çanta nuk është asgjë tjetër por negative anasjellë e informacionit matricës I (?) = E-h @ 2LN (?) @? @? 0 i. Si është e anasjellë e matricës ajo mban informacion: - H (?) = E? @ 2LN (?) @? @? 0? E = "N = 1 XI @ Log (fi (?)) @? XI N = 1 @ Log (fi (?)) @? 0 # i.i.d. = XI N = 1 E? @ Log (fi (?)) @? @ Log (fi (?)) @? 0? . (48) Tani, interchanging shpresa e saj nga sample ekuivalente të kemi (46). Pra, e intuitë prapa BHHH mund të shihet nga rishqyrtimin (42). Për thjeshtim ne supozojmë se ne kemi vetëm një parametër. Pastaj, atë parametër i hap s + 1 është parametër i hap aktuale s shtoi nga e para të rrjedhura prej herë negative inversed dytë. Kjo do të thotë nëse ne jemi larg nga e optimale do të jetë shumë i pjerrët lartë dhe i dyti i prejardhur, matjen e grafik e kriter të funksionojë në pikë? s normalisht është shumë i ulët. Pra tep të ardhshëm do të jetë e gjerë. Nëse ne jemi në vend të ngushtë në të optimale, ndryshimi do të jetë i vogël dhe negative të dytë do të jetë i madh i prejardhur (për një maksimum) kështu që ne kemi marrë një hap tjetër shumë i vogël. Ne mund të shohim se i anasjellë pëlhurë kërpi për çanta Matrica është një metodë e përshtatshme për kompensim të pjerrët në ripërtëritjen funksion (42). 7.1.2 Të Levenberg-Marquardt algorithm Algorithm Kjo është një metodë e cila përmirëson BHHH mëtejshëm. Ai përdor të barabartë me të BHHH negative të pëlhurë kërpi për çanta, por shton ai që ka në disa vlera të mëtejshëm: ? s = 1? s + (+ Hs-ci) 1gs-c> 0. (49) Kjo ka një arsye të cilat mund të shpjegohet me konsideron invertion ofthe pëlhurë kërpi për çanta matricës. Nëse pëlhurë kërpi për çanta matricës është gati njëjës kjo mund të jetë fakti se një afrimit mund të mos jenë të përmbysur. Për ta bërë një matricë nonsingular vlerë është shtuar në çdo diagonale dhe element nga nonsingularity që mund të arrihet si tani ajo është më pak e mundshme që e KOLONAT e matricës rezultuar janë linearly varur. Si e Levenberg-Marquardt algorithm është më e fuqishme se është përdorur edhe në EViews gjasat për optimization e funksioneve.
Derivatet Numerike
Le të rishqyrtojë problemin në dorën tonë. Ne duam të programit të funksionojë loglikelihood (41) në EViews. Prandaj ne kemi hapur një dritare të programimit bosh si kemi mësuar para në këtë lloj pune praktike dhe në komandat e mëposhtme: Pëlhurë kërpi për çanta 13The matricës shumëzohet me -1 siç është definitive negative; dmth b0Hb <0> 0 8b. Mos harroni se ne kemi gjetur 'ML-vlerësim me numerike derivateve 'Cakto për të filluar vlerat LS ekuacion eq1.ls rendcyco c rendmark coef (1) alfa = c (1) coef (1) beta = c (2) coef (1) SIGMA = eq1. vetiu @ 'Set up gjasat log smr smr.append @ logl logl1 Res smr.append = rendcyco - alfa (1) - beta (1) * rendmark smr.append l_t = log (1 + 2 Res (5 * SIGMA (1) 2) smr.append logl1 = -1 / 2 * log (SIGMA (1) 2) - 3 * l_t 'Bëjnë MLE smr.ml tregojnë smr.output 'Krahasojnë me LS tregojnë eq1.output Me të parë komandën llogarisin ne modelin tonë nga OLS. Si të rezultojnë parametër Vlerësimet duhet të jetë i afërt me 'true' vlerat ood ata janë zgjedhur për fillimin e vlerave. Ne quajmë këtë ekuacion eq1 dhe ne i përdorim si paku shesheve për vlerësim ne add. LS në emër të tij. Nga ekuacion tregoni ne se EViews termi në vijim është një ekuacion objektit. Tani, ne vendosur atë parametër të variablave për vlerësimin ML EViews duke i thënë se një koeficient i Dimensioni 1 më poshtë duke përdorur coeff (1) dhe me emrin alfa. Ne përsëritur kjo procedurë për koeficienti në çdo model ML tonë. Për të na caktojë çdo koeficienti i vlerësuar parametrat e OLS procedure.14 Në linjë tjetër e ngritur ne loglikelihood objektit. EViewshas të tilla për të krijuar një objekt për të ruajtur çdo informacion në të. Nga komandën logl emrin ne EViews them se një loglikelihoodobject duhet të krijohen dhe se emri i saj është smr. Për programin e loglikelihood funksion, si dhe të deklarojë re seri ne duhet të përdorim loglname.append name. Së pari ne deklarojë veten loglikelihood funksion (se është e specifikuar më pas). Pastaj kemi krijuar tonë dhe mbetja e funksionit të ndryshueshme mandat të tretë të loglikelihood funksionojnë për çdo vëzhgues t. Në fund kemi përcaktuar nga smr.append logl1 = të loglikelihood për çdo funksion të vëzhgimit t si një whole.15 Në pjesën e fundit e programit ne ML vlerësojnë duke përdorur loglname.ml dhe nga tregojnë loglname.output dhe tregojnë lsname.output ne them të programit për të na treguar se vlerësim prodhimin e ML dhe OLS vlerësim respektivisht. 14It mundshme është që të mbështetet në parametra OLS duke përdorur c (i) forthe ith koeficient dhe standarde devijimi nga OLS vlerësim mund të zgjidhet me emrin. @ se. 15EViews nuk e pranon loglikelihood shuma e funksioneve të çdo vëzhgues të funksionojë si kriter. Ajo maximizes mbi çdo fëmijë i lindur vetëm një kriter të funksionojë.
Tani, ne programin e drejtuar nga thjesht duke klikuar mbi të kandidojë në dritaren e programit dhe ne get output tonë (shih Fig. 16) .16
Tani, ne programin e drejtuar nga thjesht duke klikuar mbi të kandidojë në dritaren e programit dhe ne get output tonë (shih Fig. 16) .16
Figura 16: EViews-Output ML për vlerësim. Në ML output dritare ne mund të zbulojë një shënim në lidhje me konvergjencën e algorithm tonë. Ja se i nevojiteshin vetëm 10 hapa për të arritur nivelin e konvergjencës. Sipas' Metoda 'ne mund të shohim EViews që ka kryer një maksimum gjasat ka përdorur një vlerësim të Levenberg - Marquardt algorithm. Duke hapur View / Kontrollo derivateve të kemi një pasqyrë rreth numerike gradients në optimale (shih Fig. 17). Për çdo koeficienti është e rreshtuar relative hap size si dhe vlera e pjerrët dhe e hap Madhësia minimale. Ne do të kthehen në këtë tabelë më vonë kur ne të drejtuar programin me analitike derivateve.
Figura 17: Informacion rreth numerike gradients një optimale vlera e kriter funksion.
derivatete Analitike
Analitik derivateve Ne kemi përmendur më lart se mjaft përdorimin e derivateve analitike, nëse është e mundur, ka disa avantazhe: informatikë dhe më pak të saktë gradient vlerat. Pra, nëse është e mundur që të japë analitike 16Be i sigurt se keni edhe workfile me hap të dhënave të përshtatshme, përndryshe nuk ka EViews shans për të marrë të dhëna dhe do t'i japë një gabim.
Figura 18: EViews-Output e ML vlerësim analitik duke përdorur derivateve.
shprehje për të pjerrët, ai duhet të bëhet. Derivim i (41) i jep: @ l (y,?) @? = T Xt = 1 6 "t 5? 2 + "2t (50) @ l (y,?) @? = T Xt = 1 6xt "t 5? 2 + "2t (51) @ l (y,?) @? 2 = -- T 2? 2 + 3 ? 2 T Xt = 1 "2t 5? 2 +" 2t . (52) Ne e shohim qartë se këtu ne nuk mund t'i zgjidhë të gjitha derivateve në zero me dorë. Zbatimi i këtyre derivateve në programin tonë ML nevojat për të na tregoni se EViews define typed në shprehje e pjerrët e një kriter të funksionojë. Për ta bërë këtë, ne përdorim të komandën loglname.append @ deriv. Më tej, ne kemi për të dhënë në të njëjtën komandë përputhje edhe pas urdhërimin dhe emrat e derivateve, të tilla që e di EViews element i cili në të cilat është derivim gradient. Duke bërë kështu në shkallë të parë kërkon të përcaktojë koeficienti i të cilit është të respektojë të rrjedhura prej xhiton ndjekur nga emri i pjerrët. Në një tjetër hap ne definimin e funksioneve të veçanta për të derivateve duke përdorur lidhjen e mësipërme deklaruar emrat dhe komandën loglname.append namederiv. I gjithë programi kodi për të përdorur analitike derivateve është dhënë në fund të këtij seksioni. Running ky program i jep të prodhimit në figurën 18. Ajo mund të shihet se parametër Vlerësimet ndryshojnë paksa në krahasim me përdorimin e derivateve numerike, por mund të Sigurohuni që të përdorni analitike derivateve moreexact jep rezultate. Pra, nëse më shumë informacion është në dispozicion këto të dhëna duhet të përdoret gjithashtu. Përsëri duke parë për derivateve jep tryezë të shtypura në figurën 19. Ne mund të shohim se sipas User analitike janë dhënë dhe derivateve në krahasim numerike derivateve, të cilat janë shumë të afërta me ato të mëtejshme.
Figura 19: Informacion mbi të derivateve në ML vlerësim analitik duke përdorur derivateve.
'ML-vlerësim me analitike derivateve 'Cakto për të filluar vlerat LS ekuacion eq1.ls rendcyco c rendmark coef (1) alfa = c (1) coef (1) beta = c (2) coef (1) SIGMA = eq1. vetiu @ 'Set up gjasat log smr smr.append @ logl logl1 Res smr.append = rendcyco - alfa (1) - beta (1) * rendmark smr.append l_t = log (1 + 2 Res (5 * SIGMA (1) 2) smr.append @ deriv alfa (1) grad1 beta (1) grad2 SIGMA (1) grad3 smr.append grad1 = (6 * Res) / (5 * SIGMA (1) 2 + Res 2) smr.append grad2 = (6 * * Res rendmark) / (5 * SIGMA (1) 2 + Res 2) smr.append grad3 = - 1 / (2 * SIGMA (1) 2) + (3/sigma (1) 2) Res * 2 / (5 * SIGMA (1) 2 + Res 2) smr.append logl1 = -1 / 2 * log (SIGMA (1) 2) - 3 * l_t 'Bëjnë MLE smr.ml tregojnë smr.output 'Krahasojnë me LS tregojnë eq1.output
Subscribe to:
Posts (Atom)