РЕДАКТИРОВАТЬ: Следующий ответ отвечает на другой вопрос, чем тот, который был задан - он оформлен так, как будто считается случайным, но не работает, когда считается фиксированным, что, вероятно, и имел в виду OP. Если исправлено, у меня нет лучшего ответа, чемμμμmin(μ^1,...,μ^n)
Если мы рассматриваем только оценки для среднего значения и ковариации, мы можем рассматривать как одну выборку из многомерного нормального распределения. Простой способ получить оценку минимума состоит в том, чтобы затем извлечь большое количество выборок из , вычислить минимум каждой выборки и затем взять среднее из этих минимумов.(μ1,...,μn)MVN(μ^,Σ)
Описанную выше процедуру и ее ограничения можно понять в байесовских терминах - взяв обозначение из Википедии о MVN , если - известная ковариантность оценок, и у нас есть одно наблюдение, совместное апостериорное распределение - где и возникают из предшествующего, где перед наблюдением любых данных мы берем предшествующий ). Так как вы, вероятно, не хотите ставить априоры на , мы можем принять предел как , что приведет к плоскому предшествующему, а задний станетΣμ∼MVN(μ^+mλ01+m,1n+mΣ)λ0mμ∼MVN(λ0,m−1Σμm→0μ∼MVN(μ^,Σ), Тем не менее, принимая во внимание фиксированный предшествующий уровень, мы неявно делаем предположение, что элементы сильно отличаются (если все действительные числа одинаково вероятны, получение одинаковых значений маловероятно).μ
А быстрое моделирование показывает , что оценка этой процедуры несколько завышенной , когда элементы отличаются много и недооценивает , когда элементы подобны. Можно утверждать, что без каких-либо предварительных знаний это правильное поведение. Если вы готовы указать хотя бы некоторую предварительную информацию (например, ), результаты могут стать немного лучше для вашего варианта использования.min(μ)μmin(μ)m=0.1
Если вы готовы взять на себя большую структуру, вы можете выбрать лучший дистрибутив, чем нормальный многовариантный. Также может иметь смысл использовать Stan или другой сэмплер MCMC, чтобы в первую очередь соответствовать оценкам . Это даст вам набор выборок которые отражают неопределенность в самих оценщиках, включая их ковариационную структуру (возможно, более богатую, чем может предоставить MVN). Еще раз вы можете вычислить минимум для каждой выборки, чтобы получить апостериорное распределение по минимумам, и взять среднее значение этого распределения, если вам нужна точечная оценка.μ(μ1,...,μn)