home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #18 / NN_1992_18.iso / spool / sci / math / stat / 1723 < prev    next >
Encoding:
Text File  |  1992-08-21  |  1.7 KB  |  44 lines
  1. Newsgroups: sci.math.stat
  2. Path: sparky!uunet!cs.utexas.edu!sdd.hp.com!mips!news.cs.indiana.edu!umn.edu!thompson
  3. From: thompson@atlas.socsci.umn.edu (T. Scott Thompson)
  4. Subject: Re: linear covariance estimate for max likelihood
  5. Message-ID: <thompson.714414133@daphne.socsci.umn.edu>
  6. Keywords: parameter estimation, maximum likelihood, covariance estimate
  7. Sender: news@news2.cis.umn.edu (Usenet News Administration)
  8. Nntp-Posting-Host: daphne.socsci.umn.edu
  9. Reply-To: thompson@atlas.socsci.umn.edu
  10. Organization: Economics Department, University of Minnesota
  11. References: <1992Aug20.142353.6297@uceng.UC.EDU>
  12. Date: Fri, 21 Aug 1992 16:22:13 GMT
  13. Lines: 29
  14.  
  15. juber@uceng.UC.EDU (james uber) writes:
  16.  
  17. >I obtain parameter estimates via maximum likelihood where
  18. >my model is in the standard reduced form y = f(p), y are the
  19. >data and p are the parameters. I assume that the distribution
  20. >of the model + measurement errors is normal with zero mean
  21. >and known covariance matrix Ve. Thus i am solving the optimization
  22. >problem:
  23.  
  24. >    min Tr(y - f(p))Inv(Ve)(y - f(p))
  25. >         p
  26.  
  27. [rest of post deleted]
  28.  
  29. I do not understand the question.  If y = f(p) (where f is presumably
  30. a known and fixed function of the parameters) and y is observed then
  31. there is no measurement error.  Perhaps you meant y = f(p) + e where e
  32. is a vector of measurement errors.  (This seems implicit in your
  33. description of the nonlinear least squares procedure.)
  34.  
  35. But you also refer to "model errors".  What are these and how do they
  36. fit in?  If the model is really
  37.  
  38.               y = f(p) + <error>
  39.  
  40. and f(p) is known (up to the parameters p) and fixed, then
  41. Var(y) = Var(<error>) regardless of the source of the errors.
  42.  
  43. Please clarify.
  44.