Julia JuMP 多变量 ML 估计

Question

我正在尝试使用 JuMP 和 NLopt 求解器在 Julia 的线性回归设置中执行正态分布变量的 ML 估计。

存在一个很好的工作示例 here 但是，如果我尝试估计回归参数（斜率），则编写代码会变得非常乏味，尤其是在参数 space 增加的情况下。

也许有人有想法如何把它写得更简洁。这是我的代码：

#type definition to store data
type data
    n::Int
    A::Matrix
    β::Vector
    y::Vector
    ls::Vector
    err::Vector
end

#generate regression data
function Data( n = 1000 )
    A = [ones(n) rand(n, 2)]
    β = [2.1, 12.9, 3.7]
    y = A*β + rand(Normal(), n)
    ls = inv(A'A)A'y
    err = y - A * ls
    data(n, A, β, y, ls, err)
end

#initialize data
d = Data()
println( var(d.y) )

function ml(  )
    m = Model( solver = NLoptSolver( algorithm = :LD_LBFGS ) )
    @defVar( m, b[1:3] )
    @defVar( m, σ >= 0, start = 1.0 )

    #this is the working example. 
    #As you can see it's quite tedious to write 
    #and becomes rather infeasible if there are more then, 
    #let's say 10, slope parameters to estimate 
    @setNLObjective( m, Max,-(d.n/2)*log(2π*σ^2) \cont. next line
                            -sum{(d.y[i]-d.A[i,1]*b[1] \
                                        -d.A[i,2]*b[2] \
                                        -d.A[i,3]*b[3])^2, i=1:d.n}/(2σ^2) )

    #julia returns:
    > slope: [2.14,12.85,3.65], variance: 1.04

    #which is what is to be expected
    #however:

    #this is what I would like the code to look like:
    @setNLObjective( m, Max,-(d.n/2)*log(2π*σ^2) \
                            -sum{(d.y[i]-(d.A[i,j]*b[j]))^2, \
                            i=1:d.n, j=1:3}/(2σ^2) )

    #I also tried:
    @setNLObjective( m, Max,-(d.n/2)*log(2π*σ^2) \
                            -sum{sum{(d.y[i]-(d.A[i,j]*b[j]))^2, \
                            i=1:d.n}, j=1:3}/(2σ^2) )

    #but unfortunately it returns:
    > slope: [10.21,18.89,15.88], variance: 54.78

    solve(m)
    println( getValue(b), " ",  getValue(σ^2) )
end
ml()

有什么想法吗？

编辑

正如 Reza 所指出的，一个工作示例是：

@setNLObjective( m, Max,-(d.n/2)*log(2π*σ^2) \
                        -sum{(d.y[i]-sum{d.A[i,j]*b[j],j=1:3})^2,
                        i=1:d.n}/(2σ^2) )

Answer 1

我没有跟踪您的代码，但在任何地方，我希望以下内容对您有用：

sum([(d.y[i]-sum([d.A[i,j]*b[j] for j=1:3]))^2 for i=1:d.n])

正如@IainDunning 所提到的，JuMP 包在它的宏中有一个特殊的求和语法，所以更有效和抽象的方法是：

sum{sum{(d.y[i]-d.A[i,j]*b[j], j=1:3}^2,i=1:d.n}

Answer 2

sum{} 语法是一种特殊语法，只能在 JuMP 宏中使用，是求和的首选语法。

所以你的例子应该写成：

function ml(  )
    m = Model( solver = NLoptSolver( algorithm = :LD_LBFGS ) )
    @variable( m, b[1:3] )
    @variable( m, σ >= 0, start = 1.0 )

    @NLobjective(m, Max,
        -(d.n/2)*log(2π*σ^2)
        - sum{
            sum{(d.y[i]-d.A[i,j]*b[j], j=1:3}^2,
            i=1:d.n}/(2σ^2) )

为了尽可能清晰，我将其扩展到多行。

Reza 的回答在技术上并没有错，但不是惯用的 JuMP，并且对于较大的模型来说效率不高。

Julia JuMP 多变量 ML 估计

Julia JuMP Multiavariate ML Estimation

julia

julia-jump