费舍尔信息矩阵全面讲述

最新推荐文章于 2025-02-24 21:44:20 发布

毓橙咲

最新推荐文章于 2025-02-24 21:44:20 发布

阅读量3.1k

点赞数 34

分类专栏：常识文章标签：费舍尔信息矩阵

本文链接：https://blog.csdn.net/m0_57407372/article/details/144659244

版权

常识专栏收录该内容

20 篇文章

订阅专栏

费舍尔信息矩阵（Fisher Information Matrix）

费舍尔信息矩阵是统计学中一个非常重要的概念，尤其在参数估计、最大似然估计（MLE）和贝叶斯推断中具有广泛的应用。它反映了参数估计的不确定性程度，也可以用来衡量数据提供了多少关于参数的信息。

1. 费舍尔信息的基本概念

在统计学中，给定一个模型，模型的参数往往是我们感兴趣的未知量。费舍尔信息矩阵量化了模型参数的可估计性，即参数的估计值相对于真实值的精确度。费舍尔信息越大，表示数据对于估计这些参数的"信息"越多，估计的精度越高；反之，费舍尔信息越小，参数的估计就越不精确。

定义：费舍尔信息矩阵是基于对数似然函数的二阶导数的期望值。对于参数向量 $\theta =(\theta _{1},\theta _{2},\cdots ,\theta _{k})$ ，费舍尔信息矩阵 $I(\theta )$ 是一个 $k$ × $k$ 的矩阵，其中每个元素是参数对数似然函数的二阶偏导数的期望。

具体而言，假设有一个观测数据集 $X=(X_{1},X_{2},\cdots ,X_{n})$ ，其联合概率密度函数（或概率质量函数）为 $p(X;\theta )$ ，其中 $\theta$ 是待估计的参数，费舍尔信息矩阵的定义为：

$I(\theta )=-E[\frac{\partial^{2} }{\partial \theta ^{2}}logp(X;\theta )]$

其中， $E$ 是对数据的期望， $logp(X;\theta )$ 是对数似然函数， $\frac{\partial ^{2}}{\partial \theta ^{2}}$ 是对数似然函数关于参数 $\theta$ 的二阶导数。

2. 费舍尔信息矩阵的含义

信息量：费舍尔信息度量了数据对于估计某个参数的"信息量"。如果费舍尔信息较大，意味着观测数据对于该参数的估计越精确。
不确定性：费舍尔信息的倒数是参数估计的方差的下界，即Cramér-Rao下界（Cramér-Rao Bound）。根据Cramér-Rao不等式，参数的无偏估计量的方差不能小于费舍尔信息的倒数。因此，费舍尔信息矩阵提供了对参数估计方差的下限约束。
$Var(\hat{\theta })\geq (I(\theta ))^{-1}$
这里， $\hat{\theta }$ 是参数的估计值， $I(\theta )$ 是费舍尔信息矩阵。

3. 费舍尔信息矩阵的数学表达

对于一个模型，假设样本 $X$ 的联合概率密度函数为 $p(X;\theta )$ ，其中 $\theta$ 为参数， $logp(X;\theta )$ 是对数似然函数。费舍尔信息矩阵的元素可以通过以下公式计算：

$I_{ij}(\theta )=-E\left [ \frac{\partial ^{2}}{\partial \theta _{i}\partial \theta _{j}} logp(X;\theta )\right ]$

其中， $i$ 和 $j$ 表示参数的不同维度， $\theta _{i}$ 和 $\theta _{j}$ 是参数的不同分量。具体来说，费舍尔信息矩阵中的每个元素 $I_{ij}$ 表示参数 $\theta _{i}$ 和 $\theta _{j}$ 对似然函数的二阶导数的期望值。

4. 费舍尔信息矩阵的性质

对称性：费舍尔信息矩阵是对称矩阵，即 $I_{ij}(\theta )=I_{ji}(\theta )$ 。这是由于对数似然函数的二阶偏导数是对称的。
正定性：费舍尔信息矩阵是正定的，即它的特征值全为正。这意味着它的逆矩阵（即Cramér-Rao下界）存在，并且可以用于描述参数估计的精确度。
无偏估计：根据Cramér-Rao下界，若参数的估计量是无偏的，那么它的方差的下界由费舍尔信息矩阵的逆给出。

5. 计算例子

假设我们要估计一个正态分布的均值和方差，数据为 $X_{1},X_{2},\cdots ,X_{n}$ ，假设数据来自正态分布 $N(\mu ,\sigma ^{2})$ ，其中 $\mu$ 和 $\sigma ^{2}$ 是需要估计的参数。

1.对数似然函数：正态分布的概率密度函数为：

$p(x;\mu ,\sigma ^{2})=\frac{1}{\sqrt{2\pi \sigma ^{2}}}exp(-\frac{(x-\mu )^{2}}{2\sigma ^{2}})$

对其取对数，得到对数似然函数：

$logL(\mu ,\sigma ^{2})=-\frac{n}{2}log(2\pi \sigma ^{2})-\frac{1}{2\sigma ^{2}}\sum_{i=1}^{n}(x_{i}-\mu )^{2}$

2.计算费舍尔信息矩阵：计算对数似然函数关于 $\mu$ 和 $\sigma ^{2}$ 的二阶偏导数并求期望。通过这些步骤，我们可以得到每个参数的费舍尔信息。

最终得到的费舍尔信息矩阵的形式是一个 2×2 的矩阵，包含对均值和方差的估计不确定性的描述。

6. 费舍尔信息矩阵的应用

最大似然估计（MLE）：在最大似然估计中，费舍尔信息矩阵用于衡量参数估计的精确度。它提供了估计值的方差的下界，即Cramér-Rao下界。
Cramér-Rao下界：费舍尔信息矩阵可以用于计算Cramér-Rao下界，该下界给出了无偏估计量方差的下限。这意味着没有任何无偏估计量能比费舍尔信息矩阵给出的下界更加精确。
贝叶斯推断：在贝叶斯推断中，费舍尔信息可以用来计算后验分布的精确度。如果有一个先验分布与观测数据结合得到后验分布，费舍尔信息矩阵可用来度量后验分布的集中程度。
统计推断：在假设检验和置信区间的构建中，费舍尔信息矩阵为计算标准误差和进行假设检验提供了基础。