2.1. 分解为通用和不同步组件
一个关键的建模假设是跨所有K(K)学科。在模型中,这通过跨K(K)转换矩阵。此外,由于受试者之间的自然变异性,我们必须以特定受试者特定效应的形式解释异质性的存在。通过将每个主题的转换矩阵分解为两部分,可以捕获这两个方面:
哪里是订单的常见组成部分-d日时间效应k个第个主题,而是特殊成分。将此表示应用于中的方程式(5),我们得到(j个= 1, …,第页):
假设每个主题的VAR模型是公共基础VAR模型的扰动,我们继续在,表示为,j= 1, …,第页更正式地定义向量的支持作为支持(β) = {我:β我≠0}这个假设等价于此外,稀疏性假设被施加在各个组件上恢复最重要的特定主题效果。最后,对于参数可识别性,我们假设“垂直”于这意味着和是空的,或者更正式地说,支持
支持
,k个= 1, …,K(K),j个= 1, …,第页系统的完整约束(7)概述如下:
2.2. 两阶段估算程序
估计参数,,千= 1, …,K、 j个= 1, …,第页,在中显示(7),同时执行上述一组约束(8),我们将其表示为一个双凸优化任务,该任务可以通过迭代两阶段方法求解,该方法始终保证收敛到局部极小值[18,17]. 首先,我们要处理令人讨厌的参数{σ(k个),千= 1, …,K(K)}通过插入最大似然估计量计算方法如下[26]对于系统方程式(1)。接下来,我们设置,,,j个= 1, …,第页,。请注意是一个块-对角矩阵k个第个块等于从方程式(5),k个= 1, …,英国。此外,对于任意向量让我们表示.与求解相对应的大型优化问题方程式(7)带有约束(8)如下所示
哪里,,k个= 1, …,K(K),我= 1, …,第页。这里,来自(8)通过相应的惩罚条款来解决。集体套索惩罚,引入于[45],要么缩小我第个元素全部为零K(K)向量,其中,或估计它对所有人来说都是非零的K(K)矢量。这保证了所有K(K)共同成分估计,稀疏套索惩罚,首次引入于[38],指向每个,k个= 1, …,K(K),j个= 1, …,第页,只有几个非零元素,因此很稀疏。罚款期限具有调谐参数值λ∞设置足够高,以便哈达玛产品βj、 C类和βj、 我等于0。因此,它导致暗示,反之亦然,暗示.这一保证支持
支持
,导致,j个= 1, …,第页,k个= 1, …,K(K).
对于关节功能(f)(βj、 C类,βj、 我)正在进行优化(9),使用凸性的定义和保凸运算的知识[6],我们可以显示:修复βj、 我以某种价值是的凸函数βj、 C类; 固定βj、 C以某种价值,是的凸函数βj、 我根据定义[18],它导致(f)(βj、 C类,βj、 我)构成其自变量的双凸函数βj、 C类和βj、 我。下面我们给出了一个两阶段算法,该算法执行另一种凸搜索方法[18,43],其中,对于一般双凸函数(f)(x个,年),一个替代更新x个和年按以下方式:修复年在初始化值时求解凸优化问题x个,; 修理x个以优化器值,; 求解凸优化问题年,; 等等。
两阶段估计算法(用于任意
j、 j个= 1, …,第页)
0.初始化带有零矢量,.
1第一阶段:继续解决,相当于求解以下凸群lasso优化准则
其中矩阵是这样的如果、和如果.使用此类矩阵保证优化器将具有非重叠支持。我们这样做,而不是明确包括罚款条款来自(9)简化了优化过程。
2第二阶段:让表示对βj、 C类从第一阶段开始。继续解决最小值
,它等价于以下凸套索问题
其中矩阵是这样的如果、和如果类似于在第一阶段,使用这样的矩阵保证.
3.如果是第二次迭代(或更高):表示作为当前迭代的完整估计,以及-前一次迭代的完全估计;如果出现以下情况,则停止算法。否则,返回第一阶段,使用在第二阶段进行计算。
所述的两阶段迭代方法执行交替的凸搜索方法,这将导致双凸函数的局部优化器(f)(βj、 C类,βj、 我)调整参数的固定值和。的特定值和反过来,可以通过启发式方法进行选择,即将上述两阶段算法运行几次迭代,但向两个阶段中的每个阶段添加一个调整参数选择步骤,如下所示:
1第一阶段(续):计算的求解路径优化任务的值(10)如中所示[45]. 选择调谐参数值最小化贝叶斯信息标准(BIC)
哪里n个=K(K)(T型−D类+ 1),-的估计βj、 C类对应于值解决方案路径的,-估计自由度,计算如下[7].
2第二阶段(续):获取的解决方案路径优化任务的值(11)如中所示[39]与第一阶段类似,选择调整参数值使BIC最小化。自由度在这种情况下,计算为估计中非零元素的数量.
我们在最初的几次迭代中实现了这种两阶段方法的扩展版本(在所介绍的数值计算中,我们在前五次迭代中使用了它),以便获得良好的数据驱动的调整参数值选择和然后,设置和用于优化任务(9) – (11),我们只需执行原始版本的两阶段算法,该算法保证收敛到(f)(βj、 C类,βj、 我). 为了提高在全局最小值中着陆的可能性,我们可能需要查看多个不同的初始化值进行估计在我们两阶段方法的第0步,这可能是未来工作的一个有趣的主题(请参阅中的相关工作[23]).