一致性显然是自然而重要的属性估计量,但是在某些情况下,使用不一致的估计量比使用一致的估计数更好吗?
更具体地说,是否存在一个不一致估计量的示例,该估计量对于所有有限的(相对于某些合适的损失函数)都胜过一个合理的一致估计量?
一致性显然是自然而重要的属性估计量,但是在某些情况下,使用不一致的估计量比使用一致的估计数更好吗?
更具体地说,是否存在一个不一致估计量的示例,该估计量对于所有有限的(相对于某些合适的损失函数)都胜过一个合理的一致估计量?
Answers:
这个答案描述了一个现实的问题,其中一个自然的一致估计量由一个不一致的估计量支配(对于所有样本量的所有可能的参数值而言,其表现都优于)。它的灵感来自于一致性最适合二次损失的想法,因此使用与该损失有很大差异的损失(例如非对称损失)应该使一致性在评估估计器的性能时几乎毫无用处。
假设您的客户希望根据iid样本估计变量的均值(假设具有对称分布),但他们不赞成(a)对其进行低估或(b)严重高估它。
为了了解这是如何实现的,让我们采用一个简单的损失函数,并理解在实践中损失可能在数量上(但在定性上)不同于该损失。选择的测量单元,使得是最大可容忍高估,并设置一个估计的损失吨时的真正均值μ为等于0每当μ ≤ 吨≤ μ + 1和等于1否则。
该计算是针对平均分布的普通家庭特别简单和方差σ 2 > 0,则对于样本均值ˉ X = 1具有正常(μ,σ2/Ñ)分布。众所周知,样本均值是μ的一致估计量。写Φ为标准正常CDF,样品平均值的预期损失等于1/2+Φ(-√:1/2来自于50%的机会,样本平均值会低估真正均值和Φ(- √来自于将真实均值高估1的机会。
的预期损失等于该标准正态分布PDF下的蓝色区域。红色区域表示下面的替代估计量的预期损失。它们的不同通过更换之间的固体蓝色区域- √和0通过之间的较小的固体红色区域 √和 √。随着n的增加,该差异也随之增加。
由下式给出一个替代估计具有的预期损失2 Φ (- √。正态分布的对称性和单峰性意味着它的预期损失总是好于样本均值。(这使得该样本平均值不予受理这一损失)。事实上,样品平均值的预期损失具有的下限1/2而,替代收敛到0作为ñ增长。但是,替代方案显然是不一致的:随着n的增长,它的概率收敛到μ+1/2≠μ。