(无偏)方差估计量的分母为因为有观测值,并且仅估计了一个参数。
同样,我想知道为什么在估计两个参数时协方差的分母为何不为?
(无偏)方差估计量的分母为因为有观测值,并且仅估计了一个参数。
同样,我想知道为什么在估计两个参数时协方差的分母为何不为?
Answers:
特例应该给你一个直觉。考虑以下几点:
您很高兴后者是,贝塞尔校正。
但用通过在为前者给出,那么您认为什么最好填补空白?
快速而肮脏的答案...让我们首先考虑;如果您有具有已知期望值观测值,则可以使用来估计方差。
期望值未知,您可以将取,将观测值转换为已知期望值的观测值。您将得到一个分母为的公式-但是不是独立的,您必须考虑到这一点;最后,您会发现通常的公式。
现在,对于协方差,您可以使用相同的想法:如果的期望值为,则公式中将有。通过将减去所有其他观察值,您将获得具有已知期望值的观察值...以及公式中的 -再次,这引入了一些依赖关系帐户。
PS这样做的干净方法是选择的正交基,即向量这样
然后可以定义变量和。的是独立的,有预期值并且具有相同的方差/协方差比原来的变量。
关键是,如果您想摆脱未知的期望,则可以丢弃一个(并且只有一个)观察值。这两种情况下的工作原理相同。
我猜想在使用'n-1'而不是'n-2'来建立直觉的一种方法是-为了计算协方差,我们不需要去均化X和Y,而是两者均是不均值。
1)开始。
2)样本协方差与。输了两个;一个来自,一个来自导致。
3)但是,仅包含独立的术语,每个产品中包含一个。当两个数字相乘时,来自每个单独数字的独立信息就会消失。
举例来说,
,
并且不包括无理数和分数,例如,因此,当我们将两个数字序列相乘并检查其乘积时,我们看到的只是在一个数字序列中,由于我们已经丢失了一半的原始信息,也就是说,在进行成对分组为一个数字(即乘法)之前,这两个数字是什么。
换句话说,在不失一般性的前提下,我们可以写
对于某些和,
即,以及。从显然具有的,协方差公式变为
。
因此,问题的答案是通过分组将减半。
Hold
?