我怎么知道选择哪种参数估计方法?


12

那里有很多用于参数估计的方法。MLE,UMVUE,MoM,决策理论等似乎都具有合理的理由说明为什么它们可用于参数估计。是任何一种方法都比其他方法更好,还是仅取决于我们如何定义“最佳拟合”估计量(类似于最小化正交误差如何与普通最小二乘法产生不同的估计值)?


1
快速澄清:最小化正交误差而不是正交误差实际上并不是估计策略的决定,而是有关需要估计的模型的决定-通常是假设X中存在测量误差,而不是假设存在测量误差。(而且您也可以通过各种方式估算参数。)
conjugateprior

1
我喜欢您关于“最合适”的估算策略的想法,但是最合适的是什么?通常,问题在于该策略是否适合研究人员对她想做出的各种参数假设的了解的信心状态,以及对这些假设的焦虑程度是完全错误的。计量经济学文献对此非常明确,例如动机ML vs. GMM vs Robust等
conjugateprior

Answers:


12

这里有两件事有些混淆:推导估算器的方法和估算估算器的标准。最大似然(ML)和矩量法(MoM)是推导估计量的方法。一致的最小方差无偏度(UMVU)和决策理论是评估不同估计量的标准,但是它们不会告诉您如何得出它们。

在推导估算器的方法中,如果您知道数据的推导模型(用术语“数据生成过程”(DGP)),则ML通常会产生比MoM更有效(即方差较低)的估算器。但是MoM对模型的假设较少;顾名思义,它仅使用一个或多个矩,通常仅使用均值或均值和方差,因此,如果您不确定DGP ,则有时会更可靠。对于同一问题,可能有多个MoM估计器,而如果您知道DGP,则只有一个ML估计器。

在评估估算器的方法中,决策理论取决于要使用损失函数来判断您的估算器,尽管结果对于一系列“合理的”损失函数可能相当健壮。UMVU估算器通常甚至不存在。在许多情况下总是有最小方差无偏估计量。而且,无偏性的准则是否有用也值得怀疑,因为它对变换不是不变的。例如,您是否希望比值比或对数比值比的无偏估计器?两者将有所不同。


一站式:这当然是我要解决的问题的精神。还要感谢您对评估估算器的标准和推导它们的方法之间的澄清!
Christopher Aden

谢谢。我很惊讶,但是没有人参与其中-这几乎是我写的顶峰,而且我当然不是估算理论方面的专家。
一站式

2

我建议估算器的类型取决于以下几点:

  1. 错误估算会带来什么后果?(例如,如果您的估算器过高,而不是过低,那么它是否较差?或者您对误差的方向无动于衷?如果误差是两倍大,是两倍吗?是百分比误差还是绝对误差?重要吗?估计是预测所需的仅中间步骤吗?大样本行为比小样本行为重要还是不重要?)
  2. 您有关估计数量的先验信息是什么?(例如,数据在功能上与您的数量有什么关系?您知道数量是否为正吗?离散的?您之前曾估算过此数量吗?您有多少数据?您的数据中是否有“组不变性”结构?)
  3. 您有什么软件?(例如,如果您没有安装MCMC的软件,则没有很好的建议;如果您不知道如何使用,则建议使用GLMM。)

前两点是特定于上下文的,通过考虑您的特定应用程序,您通常可以定义希望估算器具有的某些属性。然后,您选择可以实际计算的估计量,该估计量具有所需的许多属性。

我认为教学课程缺乏估算的上下文,这意味着经常使用“默认”标准,类似于先验信息(最明显的“默认”是您知道数据的采样分布)。话虽如此,一些默认方法还是不错的,特别是如果您对上下文不了解的话。但是,如果您确实了解上下文,并且您具有合并该上下文的工具,则应该这样做,否则,您可能会得到与直觉相反的结果(由于忽略了某些内容)。

一般而言,我不是MVUE的忠实拥护者,因为您经常需要牺牲太多差异才能获得公正。例如,假设您在飞镖板上投掷飞镖,而您想撞向靶心。假设对于特定的投掷策略,与靶心的最大偏差为6cm,但飞镖点的中心在靶心上方1cm。这不是MVUE,因为中心应该在靶心上。但是,假设要使分布向下平均移动1厘米(平均),您必须将半径至少增加到10厘米(因此,最大误差现在为10厘米,而不是6厘米)。除非差异很小否则 MVUE可能会发生这种情况。假设我的投掷更为准确,并且可以将误差缩小到0.1cm。现在,偏见真的很重要,因为我永远也不会靶心!

简而言之,对我而言,偏差仅在与方差相比较小时才重要。通常,只有大样本时,方差才会很小。

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.