1
Ich muss beweisen, dass die Varianz-Kovarianz Matrix positive-semidefinite ist, also:
var(b I X) - var(b* I X) ≥ 0
Es gelten die Annahmen eines generalized linear models, also:
y = x * b + e mit e I X ~ N (0 ,σ^2 *Ω)
b steht für den OLS-Estimator und b* für den GLS Estimator.
Die entsprechenden Varianzen habe ich schon bestimmt:
var(b I X) = σ^2 * (X^T * X)^-1 * X^T * Ω * X * (X^T * X)^-1
var(b* I X) = σ^2 * (X^T * Ω^-1 * X)^-1
Gegeben ist zudem der Cholesky-Faktor für var(b I X) - var(b* I X) mit:
A^T = C^T * X * (X^T * X)^-1 - C^-1 * X * (X^T * Ω^-1 * X)^-1 mit Ω = C * C^T
Also geht darum zu beweisen dass:
var(b I X) - var(b* I X) ≥ 0
Leider weiß ich momentan nicht weiter.
Danke vorab.
var(b I X) - var(b* I X) ≥ 0
Es gelten die Annahmen eines generalized linear models, also:
y = x * b + e mit e I X ~ N (0 ,σ^2 *Ω)
b steht für den OLS-Estimator und b* für den GLS Estimator.
Die entsprechenden Varianzen habe ich schon bestimmt:
var(b I X) = σ^2 * (X^T * X)^-1 * X^T * Ω * X * (X^T * X)^-1
var(b* I X) = σ^2 * (X^T * Ω^-1 * X)^-1
Gegeben ist zudem der Cholesky-Faktor für var(b I X) - var(b* I X) mit:
A^T = C^T * X * (X^T * X)^-1 - C^-1 * X * (X^T * Ω^-1 * X)^-1 mit Ω = C * C^T
Also geht darum zu beweisen dass:
var(b I X) - var(b* I X) ≥ 0
Leider weiß ich momentan nicht weiter.
Danke vorab.
Diese Frage melden
(1)
gefragt
inaktiver Nutzer
Leider scheint diese Frage Unstimmigkeiten zu enthalten und muss korrigiert werden.