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)?
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)?
Answers:
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。在许多情况下是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。
我建议估算器的类型取决于以下几点:
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。