Ymmärtääksesi miksi käytämme t-jakaumaa, sinun on tiedettävä, mikä on $ \ widehat {\ beta} $: n ja jäännösneliösumman ($ RSS $) taustalla oleva jakauma, koska nämä kaksi yhdessä antavat sinulle t-jakauma.
Helpompi osa on $ \ widehat {\ beta} $: n jakelu, joka on normaalijakauma - nähdäksesi tämän huomautuksen, että $ \ widehat {\ beta} $ = $ (X ^ {T} X) ^ {- 1} X ^ {T} Y $, joten se on $ Y $ lineaarinen funktio missä $ Y \ sim N (X \ beta, \ sigma ^ {2} I_ {n}) $. Tämän seurauksena se on myös normaalisti jaettu, $ \ widehat {\ beta} \ sim N (\ beta, \ sigma ^ {2} (X ^ {T} X) ^ {- 1}) $ - ilmoita minulle, jos tarvitsevat apua $ \ widehat {\ beta} $: n jakauman johtamiseen.
Lisäksi $ RSS \ sim \ sigma ^ {2} \ chi ^ {2} _ {n-p} $, jossa $ n $ on havaintojen määrä ja $ p $ on regressiossasi käytettyjen parametrien määrä. Todiste tästä on hieman enemmän mukana, mutta myös suoraviivainen (katso todiste täältä Miksi RSS on jaettu chi-neliö kertaa n-p?).
Tähän asti olen tarkastellut kaikkea matriisi / vektorimerkinnässä, mutta käytämme yksinkertaisuuden vuoksi $ \ widehat {\ beta} _ {i} $ ja sen normaalijakaumaa, joka antaa meille:
\ begin {yhtälö}
\ frac {\ widehat {\ beta} _ {i} - \ beta_ {i}} {\ sigma \ sqrt {(X ^ {T} X) ^ {- 1} _ {ii}}} \ sim N (0 , 1)
\ end {yhtälö}
Lisäksi $ RSS $: n khi-neliöjakaumasta on seuraava:
\ begin {yhtälö}
\ frac {(n-p) s ^ {2}} {\ sigma ^ {2}} \ sim \ chi ^ {2} _ {n-p}
\ end {yhtälö}
Tämä oli yksinkertaisesti ensimmäisen chi-neliön lausekkeen uudelleenjärjestely ja on riippumaton $ N (0,1) $: sta. Lisäksi määritellään $ s ^ {2} = \ frac {RSS} {n-p} $, joka on puolueeton estimaatti mallille $ \ sigma ^ {2} $. $ T_ {np} $ -määrityksen määritelmän mukaan normaalijakauman jakaminen itsenäisellä khi-neliöllä (sen vapausasteiden yli) antaa sinulle t-jakauman (todiste: Normaali jaettuna $ \ sqrt {\ chi ^ 2 (s) / s} $ antaa sinulle t-jakauman - todistuksen), että:
\ begin {yhtälö}
\ frac {\ widehat {\ beta} _ {i} - \ beta_ {i}} {s \ sqrt {(X ^ {T} X) ^ {- 1} _ {ii}}} \ sim t_ {n-p}
\ end {yhtälö}
Missä $ s \ sqrt {(X ^ {T} X) ^ {- 1} _ {ii}} = SE (\ widehat {\ beta} _ {i}) $.
Kerro minulle, onko sillä järkeä.