我们知道
如果是来自的随机样本,那么对于任何是的UE P ö 我小号小号ø Ñ (λ )α ∈ (0 ,1 ),Ť α = α ˉ X + (1 - α )š 2 λX1个,X2,… XñPø 我小号小号ø Ñ (λ )α ∈ (0 ,1 ),Ť α= α X¯+ (1 - α )小号2λ
因此,存在无限多个 UE 。现在出现一个问题,我们应该选择哪一个?所以我们称UMVUE。没有偏见并不是一个好的特性,但是UMVUE是一个好的特性。但这不是很好。λ
如果是的随机样本,则最小MSE估计器的形式为,其中参数是 但是有偏见的是,尽管就最小MSE而言它不是UMVUE,但这不是最好的。 Ñ (μ ,σ 2)Ť α = α 小号2(Ñ - 1 )s ^ 2 = Σ Ñ 我= 1(X 我 - ˉ X)2 σ 2 Ñ - 1X1个,X2,… Xññ( μ ,σ2)Ťα= α 小号2(n − 1)S2= ∑ñ一世= 1( X一世- X¯)2σ2n − 1n + 1小号2= 1ñ+ 1∑ñ我= 1( X一世- X¯)2
注意,饶-布莱克韦尔定理说,要找到UMVUE,我们只能集中于那些具有足够统计量的函数的UE,即 UMVUE是在具有充分统计量的函数的所有UE中具有最小方差的估计量。因此,UMVUE必然是足够统计量的函数。
从观点来看,MLE和UMVUE都不错。但是我们永远不能说其中之一比其他更好。在统计中,我们处理不确定和随机的数据。因此,总有改进的余地。我们可能会得到比MLE和UMVUE更好的估算器。
我认为我们在研究生院不会过分强调UMVUE理论,这纯粹是我个人的观点。我认为毕业阶段是学习阶段。因此,研究生必须要对UMVUE和其他估算器有一个良好的基础,