En los mínimos cuadrados restringidos se resuelve un problema de mínimos cuadrados lineales con una restricción adicional en la solución. [1] [2]
Esto significa que la ecuación sin restricciones debe ajustarse lo más posible (en el sentido de mínimos cuadrados) mientras se asegura que se mantenga alguna otra propiedad .
A menudo existen algoritmos especiales para resolver este tipo de problemas de manera eficiente. A continuación se ofrecen algunos ejemplos de restricciones:
- Mínimos cuadrados con restricciones de igualdad : los elementos de deben satisfacer exactamente (ver Mínimos cuadrados ordinarios ).
- Mínimos cuadrados estocásticos (lineales) restringidos: los elementos de deben satisfacer , donde es un vector de variables aleatorias tales que y . Esto impone efectivamente una distribución previa para y es por lo tanto equivalente a la regresión lineal bayesiana . [3]
- Mínimos cuadrados regularizados : los elementos de deben satisfacer (elegir en proporción a la desviación estándar del ruido de y evita el sobreajuste).
- Mínimos cuadrados no negativos (NNLS): el vector debe satisfacer la desigualdad vectorial definida componente por componente, es decir, cada componente debe ser positivo o cero.
- Mínimos cuadrados con restricciones de caja: el vector debe satisfacer las desigualdades vectoriales , cada una de las cuales se define componente por componente.
- Mínimos cuadrados con restricciones enteras: todos los elementos de deben ser números enteros (en lugar de números reales ).
- Mínimos cuadrados con restricciones de fase: todos los elementos de deben ser números reales o multiplicados por el mismo número complejo del módulo unitario.
Si la restricción solo se aplica a algunas de las variables, el problema mixto se puede resolver utilizando mínimos cuadrados separables [4] al dejar que y representen los componentes no restringidos (1) y restringidos (2). Luego, sustituyendo la solución de mínimos cuadrados por , es decir
(donde + indica la pseudoinversa de Moore–Penrose ) de vuelta a la expresión original da (después de algún reordenamiento) una ecuación que puede resolverse como un problema puramente restringido en .
donde es una matriz de proyección . Siguiendo la estimación restringida del vector se obtiene a partir de la expresión anterior.
Véase también
Referencias
- ^ Amemiya, Takeshi (1985). "Modelo 1 con restricciones lineales". Econometría avanzada . Oxford: Basil Blackwell. pp. 20–26. ISBN 0-631-15583-X.
- ^ Boyd, Stephen; Vandenberghe, Lieven (2018). Introducción al álgebra lineal aplicada: vectores, matrices y mínimos cuadrados. Cambridge University Press. ISBN 978-1-316-51896-0.
- ^ Fomby, Thomas B.; Hill, R. Carter; Johnson, Stanley R. (1988). "Uso de información previa". Métodos econométricos avanzados (edición de tapa blanda corregida). Nueva York: Springer-Verlag. págs. 80-121. ISBN 0-387-96868-7.
- ^ Bjork, Ake (1996). "Problemas separables y restringidos". Métodos numéricos para problemas de mínimos cuadrados . Filadelfia: SIAM. p. 351. ISBN 0898713609.