假设我有正参数来估计以及由估计器产生的相应的无偏估计,即,等。^ μ 1,^ μ 2,。。。,^ μ Ñ ë [ ^ μ 1 ] = μ 1个Ë [ ^ μ 2 ] = μ 2
我想使用手头的估算来估算。显然,幼稚估计被偏置为低
假设我还拥有相应估计量的协方差矩阵。是否有可能使用给定的估计值和协方差矩阵来获得最小的无偏(或偏少偏见)估计?
假设我有正参数来估计以及由估计器产生的相应的无偏估计,即,等。^ μ 1,^ μ 2,。。。,^ μ Ñ ë [ ^ μ 1 ] = μ 1个Ë [ ^ μ 2 ] = μ 2
我想使用手头的估算来估算。显然,幼稚估计被偏置为低
假设我还拥有相应估计量的协方差矩阵。是否有可能使用给定的估计值和协方差矩阵来获得最小的无偏(或偏少偏见)估计?
Answers:
对于无偏估计量的存在,我没有明确的答案。但是,就估计误差而言,估计通常是一个内在的难题。
例如,让和。让是目标量和是的估计。如果我们使用“天真”估计量,其中,则估计误差由 直到恒定。(注意,对于每个估计误差就是)。当然,如果μ = (μ 1,... ,μ Ñ)θ = 分钟我μ 我θ θ θ = 分钟我(ˉ Ý我)‾ ÿ 我 = 1个大号2ë[ θ -θ]2⪅σ2日志Ñ μ我σ2
因此,朴素的估计量在不超过常数的情况下是minimax最优的,在这个意义上没有更好的估计量。
编辑:以下回答的问题与所询问的问题不同—它被视为好像被认为是随机的,但在被认为是固定的时不起作用,这可能是OP的初衷。如果是固定的,那么我没有比更好的答案μ μ 分钟(μ 1,。。。,μ Ñ)
如果仅考虑均值和协方差的估计值,则可以将视为来自多元正态分布的单个样本。一种简单的估计最小值的方法是从中提取大量样本,计算每个样本的最小值,然后取这些最小值的平均值。中号V Ñ (μ,Σ )
以上过程及其局限性可以用贝叶斯术语来理解-以Wikipedia上的MVN表示,如果是估计量的已知协方差,并且我们有一个观察结果,则联合后验分布为其中和来自先验,在观察任何数据之前,我们先取先验)。由于您可能不愿意在上放置先验,我们可以将限制取为,从而导致平坦的先验,后验变为μ 〜中号V Ñ (μ + 米λ 0λ0米μ〜中号VÑ(λ0,米-1Σμ米→0μ〜中号VÑ( μ,Σ)μ。但是,在给定平坦先验的情况下,我们隐含地假设的元素相差很大(如果所有实数的可能性均等,则很难获得相似的值)。
甲快速模拟表明,此过程稍稍高估的估计时的元素差别很大和低估当元件是类似的。有人可能会说,没有任何先验知识,这就是正确的行为。如果您愿意陈述至少一些先验信息(例如),则对于您的用例,结果可能会表现得更好。μ 中号我Ñ (μ )米= 0.1
如果您愿意采用更多的结构,则可以选择比多元正态分布更好的分布。首先,也可以使用Stan或其他MCMC采样器来拟合的估计。这将为您提供一组样本,这些样本反映了估计量本身的不确定性,包括其协方差结构(可能比MVN所提供的丰富)。再一次,您可以计算每个样本的最小值,以获得最小值的后验分布,如果需要点估计,则取该分布的均值。(μ 1,。。。,μ Ñ)