我真的很惊讶,似乎没有人问过这个问题...
在讨论估计量时,经常使用的两个术语是“一致”和“无偏”。我的问题很简单:有什么区别?
这些术语的精确技术定义相当复杂,很难直观理解它们的含义。我可以想象一个好的估计量,一个坏的估计量,但是我很难看到任何一个估计量如何满足一个条件而不能满足另一个条件。
我真的很惊讶,似乎没有人问过这个问题...
在讨论估计量时,经常使用的两个术语是“一致”和“无偏”。我的问题很简单:有什么区别?
这些术语的精确技术定义相当复杂,很难直观理解它们的含义。我可以想象一个好的估计量,一个坏的估计量,但是我很难看到任何一个估计量如何满足一个条件而不能满足另一个条件。
Answers:
在不使用太多技术语言的情况下定义两个术语:
如果随着样本量的增加,估计量(由估计量产生)“收敛”到要估计的参数的真实值,则估计量是一致的。更精确一点-一致性意味着,随着样本数量的增加,估计量的样本分布越来越集中在真实参数值上。
如果估算器平均达到真实参数值,则它是无偏的。即,估计器的采样分布的平均值等于真实参数值。
两者不相等:无偏性是关于估计量抽样分布的期望值的陈述。一致性是关于随着样本数量的增加“估计器的抽样分布走向何处”的陈述。
当然可以满足一个条件,但不能满足另一个条件-我举两个例子。对于这两个示例,请考虑来自总体的样本。
估计量的一致性意味着,随着样本量的增加,估计量越来越接近参数的真实值。无偏度是有限的样本属性,不受样本大小增加的影响。如果估计的期望值等于真实参数值,则该估计是无偏的。这对于所有样本大小都是正确的,并且是精确的,而一致性是渐近的,并且仅近似相等且不精确。
说一个估计量是无偏的,这意味着如果您抽取了许多大小的样本并每次都计算出估计值,那么所有这些估计值的平均值将接近真实参数值,并且随着次数的增加而越来越接近。样本均值是一致且无偏的。标准偏差的样本估计值有偏差但一致。
在评论中使用@cardinal和@Macro进行更新之后,请进行以下更新:如下所述,显然存在病理情况,方差不必变为0即可使估计量具有强烈的一致性,并且甚至不必偏差要么0。
一致性:在[样本数量增加时,估计值(由估计器产生)“收敛”到要估计的参数的真实值)之前已经进行了很好的解释
无偏性:它满足1-5个MLR假设,即高斯-马尔可夫定理
然后将估算器称为BLUE(最佳线性无偏估算器