对称正半矩阵的MvNormal误差

Question

我的问题的总结是我试图复制Matlab函数:

mvnrnd(mu', sigma, 200)

进入朱莉娅使用:

rand( MvNormal(mu, sigma), 200)'

结果是一个200 x 7矩阵,基本上产生200个随机返回时间序列数据.

Matlab的作品,朱莉娅没有.

我的输入矩阵是:

mu = [0.15; 0.03; 0.06; 0.04; 0.1; 0.02; 0.12]

sigma = [0.0035   -0.0038   0.0020    0.0017    -0.0006   -0.0028  0.0009;
    -0.0038    0.0046   -0.0011    0.0001    0.0003    0.0054   -0.0024;
    0.0020   -0.0011    0.0041    0.0068   -0.0004    0.0047   -0.0036;
    0.0017    0.0001    0.0068    0.0125    0.0002    0.0109   -0.0078;
    -0.0006    0.0003   -0.0004    0.0002    0.0025   -0.0004   -0.0007;
    -0.0028    0.0054    0.0047    0.0109   -0.0004    0.0159   -0.0093;
    0.0009   -0.0024   -0.0036   -0.0078   -0.0007   -0.0093    0.0061]

使用Distributions.jl,运行该行:

MvNormal(sigma)

产生错误:

ERROR: LoadError: Base.LinAlg.PosDefException(4)

矩阵sigma是对称的,但只有正半正定:

issym(sigma) #symmetrical
> true
isposdef(sigma) #positive definite
> false

using LinearOperators
check_positive_definite(sigma) #check for positive (semi-)definite
> true

Matlab为这些测试产生相同的结果,但Matlab能够生成200x7随机返回样本矩阵.

有人可以建议我能做些什么让它在朱莉娅工作吗？或问题出在哪里？

谢谢.

Answer 1

问题是协方差矩阵是无限的.看到

julia> eigvals(sigma)
7-element Array{Float64,1}:
 -3.52259e-5
 -2.42008e-5
  2.35508e-7
  7.08269e-5
  0.00290538
  0.0118957 
  0.0343873 

所以它不是协方差矩阵.这可能是因为舍入而发生的,所以如果您可以访问未包含的数据,则可以尝试使用.我刚尝试过,我在Matlab中也遇到了错误.然而,与Julia相反,Matlab确实允许矩阵为半正定.

使这项工作的一种方法是在原始矩阵中添加对角矩阵,然后将其输入MvNormal.即

julia> MvNormal(randn(7), sigma - minimum(eigvals(Symmetric(sigma)))*I)
Distributions.MvNormal{PDMats.PDMat{Float64,Array{Float64,2}},Array{Float64,1}}(
dim: 7
?: [0.889004,-0.768551,1.78569,0.130445,0.589029,0.529418,-0.258474]
?: 7x7 Array{Float64,2}:
  0.00353523  -0.0038       0.002        0.0017     -0.0006      -0.0028      0.0009    
 -0.0038       0.00463523  -0.0011       0.0001      0.0003       0.0054     -0.0024    
  0.002       -0.0011       0.00413523   0.0068     -0.0004       0.0047     -0.0036    
  0.0017       0.0001       0.0068       0.0125352   0.0002       0.0109     -0.0078    
 -0.0006       0.0003      -0.0004       0.0002      0.00253523  -0.0004     -0.0007    
 -0.0028       0.0054       0.0047       0.0109     -0.0004       0.0159352  -0.0093    
  0.0009      -0.0024      -0.0036      -0.0078     -0.0007      -0.0093      0.00613523
)

"协方差"矩阵当然不再相同,但它非常接近.