Algorithmic Derivatives

Das GAUSS-Modul Algorithmic Derivatives (AD) ist ein Modul zum Generieren von GAUSS-Prozeduren zur Berechnung von algorithmischen Ableitungen. Eine wichtige Eigenschaft von AD ist die verbesserte Genauigkeit bei der Optimierung. Numerische Ableitungen führen unweigerlich zu einem Verlust an Genauigkeit. Der Verlust an Genauigkeit ist bei Standardfehlern größer als bei Schätzungen.

Bei der Standardtoleranz kann bei Constrained Maximum Likelihood (CML) und Maximum Likelihood (Maxlik) im Allgemeinen mit einer Genauigkeit von vier oder fünf Stellen gerechnet werden, während die Standardfehler etwa zwei Stellen aufweisen. Die Genauigkeit verdoppelt sich im Allgemeinen mit AD. AD funktioniert unabhängig von jeder Anwendung zur Verbesserung von Ableitungen und kann mit jeder Anwendung verwendet werden, die Ableitungen verwendet.

Bei einigen Arten von Optimierungsproblemen wird die Konvergenz beschleunigt. Die Iterationen sind schneller und es sind weniger Iterationen erforderlich, um Konvergenz zu erreichen. Die meisten Verbesserungen ergeben sich bei Problemen, die einen hohen Rechenaufwand erfordern.

Constrained Maximum Likelihood 2.0.6+ und Maximum Likelihood 5.0.7+ wurden aktualisiert, um die Geschwindigkeit mit AD zu verbessern.

Systemvoraussetzungen

Betriebssysteme: Windows, Mac und Linux.

Voraussetzungen: benötigt GAUSS/GAUSS Engie/GAUSS Light ab Version 6.0