通过大量的(弱/强)法,给出了一些独立同分布的采样点分布的,它们的样本均值˚F *({ X 我,我= 1 ,... ,N } ):= 1在样本量N趋于 无穷大时,在概率和概率上均收敛于分布均值。
当样本量固定时,我想知道LLN估计量f *在某种意义上是否是最佳估计量?例如,
- 它的期望是分布均值,因此它是一个无偏估计量。方差为其中σ2是方差分布。但这是UMVU吗?
是否有一些函数使得f ∗({ x i,i = 1 ,… ,N } )解决了最小化问题:f ∗({ x i,i = 1 ,... ,ñ } )= argmin ü ∈ [R ñ
换句话说,是最小对比度框架中具有某些对比度函数l 0的最佳值(请参阅Bickle和Doksum撰写的“ 数学统计:基本概念和所选主题,第1卷 ”中的第2.1节“估计的基本启发式” )。
例如,如果已知分布/将其限制为高斯分布族,则样本均值将是分布均值的MLE估计量,并且MLE属于最小对比框架,并且其对比函数减去对数似然函数。
是否存在一些函数,使得f ∗解决了最小化问题:f ∗ = argmin f 对于任何配电 P的 X 我一些家庭中 ˚F分布的?
换句话说,是决策理论框架中某些损失函数l和分布族F的最佳选择(参见“ 数学统计:基本概念和所选主题,第1卷 ” Bickle和Doksum)。
请注意,以上是到目前为止我所知道的“最佳”估计的三种不同解释。如果您知道适用于LLN估算器的其他可能解释,请也不要犹豫提及。