Das Kefk Network Wiki befindet sich im Testbetrieb.

Satz von Gauß-Markow

Aus Kefk.

<imagemap>-Fehler: Bild ist ungültig oder nicht vorhanden

Die Artikel Annahmen der Regressionsschätzung, Satz von Gauß-Markow, Einfachregression und BLUE überschneiden sich thematisch. Hilf mit, die Artikel besser voneinander abzugrenzen oder zu vereinigen. Die Diskussion über diese Überschneidungen findet hier statt. Bitte äußere dich dort, bevor du den Baustein entfernst. Chrisqwq 17:27, 24. Nov. 2006 (CET)

Dieses Dokument entstammt in seiner ersten oder einer späteren Version der deutschsprachigen Wikipedia. Es ist dort zu finden unter dem Stichwort Satz_von_Gau%C3%9F-Markow, die Liste der bisherigen Autoren befindet sich in der Versionsliste; die Originalfassung kann dort auch bearbeitet werden. Alle Texte der Wikipedia und ihre Derivate stehen unter der GNU-Lizenz für freie Dokumentation.

Der Satz von Gauß-Markow ist ein mathematischer Satz aus dem Bereich der Statistik. Er ist nach den Mathematikern Carl Friedrich Gauß und Andrei Andrejewitsch Markow benannt.

In Worten lautet dieser Satz: Der Kleinste-Quadrate-Schätzer ist ein minimalvarianter linearer erwartungstreuer Schätzer (BLUE – best linear unbiased estimator) in einem linearen Modell, wenn die zufälligen Fehler (nicht-erklärten Abweichungen):

unkorreliert sind (keine Autokorrelation),
einen Erwartungswert von Null haben und
die gleiche Varianz haben (Homoskedastizität).

Mathematisch kann dies auf folgende Weise wiedergegeben werden: Voraussetzung ist, dass man ein Lineares Modell in der Form

$\underline Y = \underline X \underline \beta + \underline \epsilon$

vorliegen hat. Hierbei nimmt man von der Datenmatrix $\underline X \;$ an, dass sie vollen Rang hat, das heißt es gilt $\mbox{Rang}(\underline{X})=p \;$ . Für den Erwartungswert der Fehler nimmt man an, dass $E(\underline{\epsilon})=0 \;$ ist. Ferner erwartet man für die Varianz der Fehler, dass $\mbox{Cov}(\underline{\epsilon})=\sigma^2 I_n$ gilt.

Damit erhält man:

$\underline b = (\underline {X}^T \underline X )^{-1} \underline {X}^T \underline y$ ist BLUE für $\underline \beta$ .
$\mbox{Cov}(\underline{b})=\sigma^2 (\underline{X}^T \underline{X})^{-1}$
$s^2 = SS_{Res} / (n-p) \;$ ist unverzerrter Schätzer für $\sigma^2 \;$