从某种意义上说,样本均值是分布的“最佳”估计值均值吗?


10

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 = 1 ... N } = 1{xiRn,i=1,,N}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。f({xi,i=1,,N}):=1Ni=1NxiN

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,Nf

  1. 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?σ2Nσ2
  2. 是否有一些函数使得f { x ii = 1 N } 解决了最小化问题:f { x ii = 1 ... ñ } = argmin ü [R ñl0:Rn×Rn[0,)f({xi,i=1,,N})

    f({xi,i=1,,N})=argminuRni=1Nl0(xi,u)?

    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” )。fl0

    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。l0

  3. 是否存在一些函数,使得f 解决了最小化问题:f = argmin fl:Rn×F[0,)f 对于任何配电 P X 一些家庭中 ˚F分布的?

    f=argminfEiid {xi,i=1,,N} each with distribution Pl(f({xi,i=1,,N}),P)?
    PxiF

    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)。flF

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。


表征估算器的另一种方法:请在此处阅读有关一致性估算器的信息。由于LLN,样本均值是一致的。
罗希特·邦加

1
X1,X2,,XnU(0,θ)1ni=1nXiθn+1nX(n)

谢谢!但是如何计算其方差?
蒂姆,

Y=X(n)
f(y)=nyn1θn;y(0,θ)
nn+1YVar(nn+1Y)=1n(n+2)θ21n21n

[0,θ]θ/2θ

Answers:


4

l0(xu)2(xu)(xu)

在某些技术条件下,最小对比度估算器既是一致的又是渐近正常的。对于样本均值,这已经遵循LLN和中心极限定理。我不知道最小对比度估计量在任何方面都是“最佳”的。最小对比度估计量的优点在于,许多健壮的估计量(例如中位数,Huber估计量,样本分位数)都属于该族,我们可以通过将一般性定理应用于最小对比度估计量来得出结论,它们是一致且渐近正态的,因此只要我们检查一些技术条件(尽管通常这比听起来要困难得多)。

您在问题中没有提到的最优性概念是效率,大致而言,它是关于需要多少样本才能得出一定质量的估计值。有关均值和中位数效率的比较,请参见http://en.wikipedia.org/wiki/Efficiency_(statistics)#Asymptotic_efficiency(均值效率更高,但中位数对异常值的鲁棒性更高)。

xi

fPfmaxPFPFPP


谢谢!是否有一些关于最小对比度估计量的属性的良好参考,例如一致和渐近正态,以及诸如中位数,Huber估计量,样本分位数之类的示例?

您引用的Bickel&Doksum书的5.2.2节中有一个关于最小对比度估计量一致性的定理。第5.4.2节讨论渐近正态性。我推荐并讨论我提到的其他估计量的另一个来源是范德法特的《渐近统计》一书。第5章介绍M估计量,这是他的最小对比度估计量的名称。
DavidR 2011年

Rnl2

我的意思是标准的欧几里得范数-为了明确起见,我将其更改为向量符号。
DavidR 2011年

l
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.