分块矩阵
若A为阶矩阵,分成四块,使得
则称
为矩阵A的分块表示形式。分块矩阵有以下性质:性质1. 分块矩阵的加法
若A和B有相同的分块,则性质2. 分块矩阵的乘法
若A为矩阵,C为矩阵,则
性质3.分块矩阵的行列式
若和均为方阵,则
(1)若,则其中.
(2)若,则其中.
性质4.分块矩阵的逆
若为可逆矩阵,为方阵,则
(1)若,则
(2)若,则
特别地,当且,我们有
性质5.分块矩阵的正定性
若A是正定的,即,则和均是正定矩阵。
对性质3和4的证明
要证明性质3和4,关键是将分块矩阵变换为对角分块矩阵,即想办法将和变为0子块。为进行说明,可首先考虑的矩阵。
下面将矩阵
变换为对角阵。
如何变换呢?答案很简单,进行初等行列变换即可。将第一行乘以加到第二行,从而将原矩阵的变为0;再将第一列乘以加到第二列即可将原矩阵的变为0。写成矩阵的形式就是:
而对于分块矩阵,我们也可类似操作。将第一行乘以加到第二行,从而将原矩阵的变为0子块;再将第一列乘以加到第二列即可将原矩阵的变为0子块。写成矩阵的形式就是:
左右两边同时取行列式,即得到:
从而得到性质3.
而对于性质4,则在上式两边同时取逆,则得到:
由此可得:
整理后即为性质4.
含义
性质3和性质4表明了非对角阵和对A的行列式和逆的影响。另外还需要注意的是,在A非负定时,
分块矩阵在统计学中的应用
分块矩阵在统计学中起到很重要的作用。实际上,只要涉及到对参数向量或随机向量进行分割时,分块矩阵都扮演重要角色。因而其在回归分析、多元正态分布和多参数极大似然等问题当中都有应用。以下为回归分析为例加以说明。
假定是一元响应变量,是p维自变量,而是q维分量。另外假定分别是和的样本矩阵。同时假定和具有线性关系。即假定模型
成立。为简单起见,假定X是固定设计满足同方差,即。现讨论如何对参数进行估计?
我们可以有两种思路:
- 只基于做回归拟合,则此时
同时其协方差矩阵为:
- 基于全部自变量做回归拟合,则此时
则的协方差矩阵为
而 对应的协方差矩阵为现在问:和谁更有效?对此,我们需要比较和。首先注意到
从而根据分块矩阵的逆,可知:
这表明:对于参数的估计,只基于做回归拟合比基于全部自变量做回归拟合更有效!
既然这样,我们为何还要考虑呢?答案是:除了有效性,我们还关心无偏性!尽管更有效,但它可能是有偏的。实际上,我们有:
上式说明,其偏差依赖于和的相关性,也依赖于的取值。若,即此时真实模型只依赖于,则此时无偏且更有效;若,即真实模型依赖于和,则此时尽管更有效但有偏。
总结起来:
若真实模型只依赖于,则应只基于建模,不需要考虑冗余变量;
若真实模型依赖于和, 则需要同时考虑它们。
在实际中,真实模型是否只依赖我们是不知道的。这就产生了变量选择的需要。尽可能将冗余变量筛除,只保留重要变量,可以提高估计的效率。
如果觉得本文不错,请点赞关注!