→ kangoroo: test整個process的實務上好像沒見過(?) 我也蠻想知道的 08/07 16:57
→ kangoroo: 還是說有什麼相關性質可以保証不用檢測 之類的 08/07 16:58
→ yhliu: 一個 Gaussian process 並非是一個 n-dimensional r.v., 08/07 19:46
→ yhliu: 定義是說它的任意有限 n 點都是 n-dim. Gaussian(normal) 08/07 19:48
→ yhliu: distributional random vector. 因此, 是不可能做完整檢定 08/07 19:50
→ yhliu: 的. 要嘛, 就是檢查其構成條件, 再根據不同的 process 檢查 08/07 19:52
→ yhliu: 其是否符合有隈點分布條件. 08/07 19:54
請問"有隈點分布條件"指的是什麼?第一次見到這個名詞。
→ LiamIssac: 試試看Kolmogorov continuity theorem 08/09 08:48
→ LiamIssac: 還有kolmogorov extension theorem 08/09 08:49
第一次聽到該定理,我研究看看,謝謝!!
※ 編輯: Glamsight (36.229.232.94), 08/10/2016 21:34:12
→ yhliu: 通常一個隋機過程不管是 continuous time 或 discrete time 08/18 08:28
→ yhliu: 的, 都是無限點, 也就是無限維的. 因此要看其機率分布, 只 08/18 08:30
→ yhliu: 能取有限個點, 例如一個無限的時間序列只取有限個時點, 看 08/18 08:32
→ yhliu: 這些時點之表現(隨機變數)的聯合分布, 正式稱呼是 08/18 08:33
→ yhliu: finite-dimensional distribution. 根據定義, 一個 08/18 08:34
→ yhliu: Gaussian process 就是其任意 f.-d. distribution 都是 08/18 08:35
→ yhliu: multi-variate Gaussian. 所以如果要從分布特性去檢定是否 08/18 08:37
→ yhliu: 為 Gaussian process, 還要根據 prpcess 的特性, 取 n 組各 08/18 08:41
→ yhliu: k 個時間點, 得到 n 組獨立同分布的 k-dim. 隨機向量的觀測 08/18 08:45
→ yhliu: 值, 檢定它們是否為來自 k-dim. Gaussian 的隨機樣本. 08/18 08:47
→ yhliu: 例如要檢定是否為 Brownian motion, 可以取等距 n+1 個 08/18 08:51
→ yhliu: 時點, 得觀測值 Y(i),i=0,1,2...,n; 再取 X(i)=Y(i+1)-Y(i) 08/18 08:54
→ yhliu: 再用檢定單變量常態的方法檢定 X(i), i=1,2,...,n 是否構成 08/18 08:56
→ yhliu: 來自一單變量常態群體的一個簡單隨機樣本. 做一個檢定不夠, 08/18 08:58
→ yhliu: 至少還需要取不同間距的時間點, 再做這樣的檢定. 08/18 09:00
→ yhliu: Brownian motion 可以說是除了 white noise 以外最簡單的 08/18 09:02
→ yhliu: Gaussian process 了, 所以能有這麼簡單的檢定方式, 其他 08/18 09:03
→ yhliu: process, 有可能甚至找不出檢定 f.-d. distribution 的方法 08/18 09:05
→ yhliu: 所以檢測一個 process 是否為某一特定 process, 最好還是 08/18 09:07
→ yhliu: 從該 process 的構成特性來檢測. 08/18 09:08
非常感謝您的回覆!我想再請問一下已經有了一些連續時點的樣本,在給定信心水準下,
這個(n,k)該如何選擇,並對應哪一種的 Test ,不知道是否有相關的教科書可以閱讀?
謝謝!!
※ 編輯: Glamsight (140.113.250.43), 08/18/2016 13:52:33