Статья никогда не предполагала гомоскадастичность в определении. Для того, чтобы поместить его в контексте статьи, гомоскедастичности бы говоря
: ,
где
E{(x^−x)(x^−x)T}=σI
это
п × п единичная матрицаа
σ является скаляром положительное число. Гетероскадастичность позволяет
In×nσ
E{(x^−x)(x^−x)T}=D
Любой диаганол положительно определен. В статье ковариационная матрица определяется наиболее общим из возможных способов, как центрированный второй момент некоторого неявного многовариантного распределения. мы должны знать , многомерное распределение е получить асимптотический эффективную и последовательную оценку х . Это будет происходить из функции правдоподобия (которая является обязательным компонентом апостериорного значения). Например, предположим , е ~ N ( 0 , Σ ) (т.е. Е { ( х - х ) ( х - хDex^e∼N(0,Σ)является многомерной нормальной PDF. . Затем подразумеваемая функция правдоподобия
журнал [ L ] = журнал [ φ ( х - х , Σ ) ] ,
где φE{(x^−x)(x^−x)T}=Σ
log[L]=log[ϕ(x^−x,Σ)]
ϕ
Информационная матрица Фишера может быть записана как
см. en.wikipedia.org/wiki/Fisher_information для получения дополнительной информации. Отсюда мы можем вывести
√
I(x)=E[(∂∂xlog[L])2∣∣∣x]
n−−√(x^−x)→dN(0,I−1(x))
yx
E{y|x}=x′β
log[L]=log[ϕ(y−x′β,σI)]
log[L]=∑i=1nlog[φ(y−x′β,σ)]
φI(β)=[σ(xx′)−1]−1
β
log[L]=log[ϕ(y−x′β,D)]
β 1nI−1(β)