让是从绘制的随机样本人口其中。
我正在寻找的UMVUE 。
联合密度为
,其中和h(\ mathbf x)= 1。h(x)=1
在这里,取决于和到并且独立于。因此,通过Fisher-Neyman分解定理,二维统计量足以满足。
但是,不是一个完整的统计信息。这是因为
和函数不等于零。
但是我确实知道是最小的足够统计量。
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?)
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?
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 )= √S2=1ëθ(Ç小号)=θ瓦尔(Ť*)Ť*θŤ*θ
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 X,š2)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:Ñ(θ ,一θ 2)一> 0
用Gleser / Healy 估计具有已知变化系数的正态分布的平均值。
关于用RA Khan 估计具有已知变异系数的正态分布平均值的注释。
关于用RA Khan 估计具有已知变异系数的正态分布均值的评论。
这章提取物。
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:
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,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 1
最后一个注释的第4页列出了估计量的可能选择。
以下摘录来自Lehmann / Casella 的“点估计理论”(第二版,第87-88页):
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的最后结果是指此注释。
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。