上UMVUE的存在和选择的估计的在人口


10

让是从绘制的随机样本人口其中。(X1,X2,,Xn)N(θ,θ2)θR

我正在寻找的UMVUE 。θ

联合密度为(X1,X2,,Xn)

fθ(x1,x2,,xn)=i=1n1θ2πexp[12θ2(xiθ)2]=1(θ2π)nexp[12θ2i=1n(xiθ)2]=1(θ2π)nexp[1θi=1nxi12θ2i=1nxi2n2]=g(θ,T(x))h(x)(x1,,xn)Rn,θR

,其中和h(\ mathbf x)= 1hx=1g(θ,T(x))=1(θ2π)nexp[1θi=1nxi12θ2i=1nxi2n2]h(x)=1

在这里,g取决于θx1,,xnT(x)=(i=1nxi,i=1nxi2)并且h独立于θ。因此,通过Fisher-Neyman分解定理,二维统计量T(X)=(i=1nXi,i=1nXi2)足以满足θ

但是,T不是一个完整的统计信息。这是因为

Eθ[2(i=1nXi)2(n+1)i=1nXi2]=2n(1+n)θ2(n+1)2nθ2=0θ

和函数不等于零。g(T(X))=2(i=1nXi)2(n+1)i=1nXi2

但是我确实知道是最小的足够统计量。T

我不确定,但我认为这个弯曲的指数族可能不存在完整的统计数据。那么我应该如何获得UMVUE?如果不存在完整的统计量,那么将具有最小的足够统计量的函数的无偏估计量(在这种情况下,如)作为UMVUE吗?(相关主题:使无偏估计量成为UMVUE的必要条件是什么?X¯

如果我考虑的最佳线性无偏估计量(BLUE)怎么办?BLUE可以是UMVUE吗?θ

假设我考虑的线性无偏估计量,其中和。由于我们确实知道。我的想法是最小化以使是的BLUE 。将是那么的UMVUE?θ Ç Ñ = T(X)=aX¯+(1a)cSθS2=1c(n)=n12Γ(n12)Γ(n2)ëθÇ小号=θ瓦尔Ť*Ť*θŤ*θS2=1n1i=1n(XiX¯)2Eθ(cS)=θVar(T)TθTθ

我已经根据和采取了线性无偏估计量,因为也足以满足。小号 ˉ Xš2θX¯S(X¯,S2)θ

编辑:

大量的工作确实在的估计已经完成在更普遍的,其中家族是已知的。以下是一些最相关的参考:Ñθ θ 2> 0θN(θ,aθ2)a>0

我在本练习中从Casella / Berger的统计推断中找到了这些参考文献中的第一个:

在此处输入图片说明

在此处输入图片说明

我的问题不是关于此练习的。

最后的注释(本章的摘录)说的UMVUE 不存在,θ因为最小的足够统计量不完整。我想知道是什么使我们能够得出这样的结论,即仅因为找不到完整的足够的统计数据,所以不存在 UMVUE ?是否有与此相关的结果?即使在链接的线程中不存在完整的足够统计信息,我也看到了UMVUE的存在。

现在假设不存在统一的最小方差无偏估计量,那么选择“最佳”估计量的下一个标准是什么?我们要寻找最小的MSE,最小方差还是MLE?还是选择标准取决于我们的估计目的?

例如,假设我有一个无偏估计和其他偏估计的。假设的MSE (它的方差)大于的MSE 。由于最小化MSE意味着同时最小化偏差和方差,因此我认为比是估算器的“更好”选择,尽管前者是有偏差的。Ť 2 θ Ť 1 Ť 2 Ť 2 Ť 1T1T2θT1T2T2T1

最后一个注释的第4页列出了估计量的可能选择。θ

以下摘录来自Lehmann / Casella 的“点估计理论”(第二版,第87-88页):

在此处输入图片说明

在此处输入图片说明

我很可能会误解了一切,但是最后一句话是否说在某些条件下,必须存在完整的统计数据才能存在UMVUE?如果是这样,这是我应该查看的结果吗?

最后提到的是RR Bahadur的最后结果是指注释。

经过进一步的搜索,我发现了一个结果,说明如果最小的充分统计信息不完整,那么就不存在完整的统计信息。所以至少我非常相信这里没有完整的统计信息。

我忘了考虑的另一个结果是,粗略地说一个无偏估计量成为UMVUE的必要和充分条件是它必须与每个零无偏估计量都不相关。我尝试使用该定理表明,此处不存在UMVUE,以及类的无偏估计量也不是UMVUE。但是,这并不为已完成,例如简单的工作了这里,在最后的例证。X¯

Answers:


3

更新:

考虑估算器 ,其中在您的帖子中给出。这是是的无偏估计器,并且将清楚地具有下面给出的(对于任意值的估计相关)。Ç0

0^=X¯cS
c0a

C&B的定理6.2.25显示了只要在包含一个开放集,就可以找到指数族的完整充分统计量。此分布产生和,这不会在形成开放集(因为),这是因为这样,统计是不完整的用于,并且它是为同样的原因,我们可以构造的一个无偏估计它将与的任何无偏估计量相关

{(w1(θ),wk(θ)}
Rkw1(θ)=θ2w2(θ)=θ1R2w1(θ)=w2(θ)2(X¯,S2)θ0θ是基于足够的统计数据。

另一个更新:

从这里开始,论点具有建设性。一定是在存在另一个无偏估计器的情况下,对于至少一个中的来说。θ~Var(θ~)<Var(θ^)θΘ

证明:假设,且(对于某个值)。考虑一个新的估算器 此估算器显然无方差 令。È E(θ^)=θE(0^)=0Cov(θ^,0^)<0θ

θ~=θ^+b0^
Var(θ~)=Var(θ^)+b2Var(0^)+2bCov(θ^,0^)
M(θ)=2Cov(θ^,0^)Var(0^)

通过假设,必须存在一个,使得。如果我们选择,则。因此不能是UMVUE。θ0M(θ0)>0b(0,M(θ0))Var(θ~)<Var(θ^) θ0θ^

总结:事实上,是相关的与(对于任何选择)意味着我们可以构造一个新的估计比更好至少一个点,违反的一致性声称具有最佳的公正性。θ^0^aθ^ θ0θ^


让我们更仔细地研究一下线性组合的想法。

θ^=aX¯+(1a)cS

如您所指出的那样,是一个合理的估计量,因为它基于足够(尽管不完整)的统计信息。显然,该估计量是无偏的,因此要计算MSE,我们只需要计算方差即可。θ^

MSE(θ^)=a2Var(X¯)+(1a)2c2Var(S)=a2θ2n+(1a)2c2[E(S2)E(S)2]=a2θ2n+(1a)2c2[θ2θ2/c2]=θ2[a2n+(1a)2(c21)]

通过微分,我们可以找到给定样本大小的“最优 ” 。an

aopt(n)=c211/n+c21
,其中
c2=n12(Γ((n1)/2)Γ(n/2))2

下面给出了最佳选择图。 a在此处输入图片说明

值得注意的是,作为,我们有(通过Wolframalpha确认)。一个ö p 1naopt13

虽然不能保证这是UMVUE,但此估计量是足够统计量的所有无偏线性组合的最小方差估计量。


感谢更新。我没有遵循C&B作为教科书,只看了练习。
StubbornAtom

1
@StubbornAtom我添加了一个证明,证明不能为UMVUE(从C&B第344页大量借用)。看一看,让我知道这是否有帮助。θ^
knrumsey
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.