Zmienna losowa przyjmująca wartości w jest dyskretną zmienną losową. Jego rozkład jest w pełni opisany prawdopodobieństwami
z . Podane prawdopodobieństwa i są sumami dla niektórych indeksów .p i = P ( X = i ) i ∈ { 0 , 1 } n p i p i j p i i{ 0 , 1 }npja= P( X= i )i ∈{0,1 }npjapI jpjaja
Teraz wydaje się, że chcesz opisać , używając tylko i . Nie jest to możliwe bez przyjęcia pewnych właściwości na . Aby zobaczyć, które próbują czerpać charakterystycznej funkcji z . Jeśli weźmiemy , otrzymamy p i p i j p i n = 3pjapjapI jpjaXn = 3
p i X
mimii ( t1X1+ t2)X2)+ t3)X3))= p000+ p100mii t1+ p010mii t2)+ p001mii t3)+ p110mii ( t1+ t2))+ p101mii ( t1+ t3))+ p011mii ( t2)+ t3))+ p111mii ( t1+ t2)+ t3))
Nie można zmienić kolejności tego wyrażenia, aby zniknął. Dla losowej zmiennej gaussowskiej funkcja charakterystyczna zależy tylko od parametrów średniej i kowariancji. Funkcje charakterystyczne jednoznacznie definiują rozkłady, dlatego Gaussa można opisać w unikalny sposób, stosując jedynie średnią i kowariancję. Jak widzimy dla losowej zmiennej tak nie jest.
pjaX
Nie wiem, jak nazywa się wynikowa dystrybucja, a nawet jeśli ma ona nazwę, ale uderza mnie oczywisty sposób na skonfigurowanie tego, aby pomyśleć o modelu, którego użyłbyś do modelowania 2 × 2 × 2 × … × 2 tabela z wykorzystaniem modelu logarytmiczno-liniowego (regresja Poissona). Jak wiadomo tylko interakcje pierwszego rzędu, naturalne jest założenie, że wszystkie interakcje wyższego rzędu są zerowe.
Używając notacji pytającego, daje to model:
źródło