next up previous contents
Nächste Seite: Beliebige Designmatrix; verallgemeinerte Inverse Aufwärts: Normalverteilte Störgrößen Vorherige Seite: Konfidenzbereiche; Prognose von Zielvariablen   Inhalt


Konfidenzband

In diesem Abschnitt nehmen wir an, dass die Designmatrix $ {\mathbf{X}}$ die Form

$\displaystyle {\mathbf{X}}=\left(\begin{array}{cccc} 1 & x_{12} & \ldots & x_{1...
...  \vdots & \vdots & & \vdots  1 & x_{n2} & \ldots & x_{nm} \end{array}\right)$ (63)

hat, d.h., wir betrachten das (multiple) lineare Regressionsmodell.

Bei der Lösung dieser Fragestellung ist das folgende Hilfsergebnis nützlich.

Lemma 2.4   $ \;$ Mit Wahrscheinlichkeit $ 1$ gilt

$\displaystyle \max\limits_{{\mathbf{x}}\in\mathbb{R}_1^{m-1}} \frac{\bigl(({\ma...
...hbf{X}}^\top{\mathbf{X}})^{-1}({\mathbf{X}}^\top{\boldsymbol{\varepsilon }}) ,$ (65)

wobei $ \mathbb{R}_1^{m-1}$ die Menge aller derjenigen Vektoren $ {\mathbf{x}}\in\mathbb{R}^m$ mit $ {\mathbf{x}}=(1,x_2,\ldots,x_m)^\top$ bezeichnet.

Beweis
 

Aus dem folgenden Resultat, das eine vektorielle Verallgemeinerung von Theorem I-5.9 ist, ergibt sich das gesuchte Konfidenzband.

Theorem 2.12   $ \;$ Sei $ a_\gamma=\sqrt{m {\rm F}_{m,n-m,\gamma}}$. Dann gilt

$\displaystyle \mathbb{P}_{\boldsymbol{\beta}}\Biggl(\max\limits_{{\mathbf{x}}\i...
...{\mathbf{X}}^\top{\mathbf{X}})^{-1}{\mathbf{x}}}\le a_\gamma^2\Biggr)=\gamma .$ (68)

Beweis
 


next up previous contents
Nächste Seite: Beliebige Designmatrix; verallgemeinerte Inverse Aufwärts: Normalverteilte Störgrößen Vorherige Seite: Konfidenzbereiche; Prognose von Zielvariablen   Inhalt
Hendrik Schmidt 2006-02-27