估计量的优良准则
-
前提:评价一个估计量的好坏,不能仅仅依据一次试验的结果,而必须由多次试验结果来衡量。
因为估计量是样本的函数,是随机变量。因此,由不同的观测结果,就会求得不同的参数估计值。所以一个好的估计,应在多次试验中体现出优良性。
-
常用的几条标准:
-
无偏性
-
有效性
-
相合性
-
(一)无偏性:
-
背景:估计量是随机变量,对于不同的样本值会得到不同的估计值。我们希望估计值在未知参数真值附近摆动,而它的期望值等于未知参数的真值。这就导致了无偏性这个标准。
-
定义:设 是未知参数 的估计量,若 ,则称 为 的无偏估计
-
实际意义:无偏性的实际意义是指没有系统性的偏差
e.g 用样本均值作为总体均值的估计时,虽无法说明一次估计所产生的偏差,但这种偏差随机地在0的周围波动,对同一统计问题大量重复使用不会产生系统偏差。
(二)有效性:
-
背景:一个参数往往有不止一个无偏估计,若 和 都是参数 的无偏估计量,我们可以比较 和 的大小来决定二者谁更优。由于
所以无偏估计以方差小者为好,这就引入了有效性这一概念。 -
定义:设 和 都是参数 的无偏估计量,若有
则称 较 有效。 -
最小方差无偏估计:设 是取自总体X的一个样本, 是未知参数 的一个估计量,若 满足:
(1) ,即 为 的无偏估计;
(2) , 是 的任一无偏估计
则称 为 的最小方差无偏估计(也称最佳无偏估计)。