估计量和估计量之间有什么关系?
估计量和估计量之间有什么关系?
Answers:
EL Lehmann在其经典的“点估计理论”中,在第1-2页回答了这个问题。
现在假定观测值是由随机变量取的值,这些变量假定遵循属于某些已知类的联合概率分布
...现在让我们专注于点估计......假设是[在规定的分布类上]定义的实值函数,并且我们想知道g的值[无论在什么实际分布中效应,θ ]。不幸的是,θ,因此g (θ )是未知的。但是,该数据可用于获得g (θ )的估计值,该值是人们希望接近g (θ )的值。
换句话说:估计器是一个确定的数学过程,为特定问题可能产生的任何可能的数据集提供一个数字(估计)。该数字旨在表示数据生成过程的某些确定的数值属性()。我们可以称其为“估计”。
估算器本身不是随机变量:它只是一个数学函数。但是,它产生的估计是基于将其自身建模为随机变量的数据。这使得估计值(根据数据而定)成为一个随机变量,针对特定数据集的特定估计值成为该随机变量的实现。
在一个(常规)普通最小二乘公式中,数据由有序对。的X 我已被实验者(它们可以是给药的药物的量,例如)来确定。每个ÿ 我(对药物的响应,例如)被假设为来自概率分布是正常的,但具有未知均值μ 我和共同方差σ 2。此外,假设该装置相关的X 我经由公式μ 我 = β 0。这三个parameters-- σ, β 0和 β 1 --determine的潜在分布 ÿ 我为任何值 X 我。因此任何其分布的特性可以被认为是作为的函数的(σ ,β 0,β 1)。这样的性质的实例是截距 β 0,斜率 β 1,的值 COS (σ + β,或甚至在值的平均值X=2,其中(根据该配方,)必须为β0+2β1。
在此OLS上下文中,如果x设置为2 ,则估计器的一个非示例将是猜测的过程。这不是估计器,因为y的此值是随机的(以与数据的随机性):它不是分布的(确定数值)属性,即使它与该分布有关。(正如我们刚锯,虽然,期望的Ŷ为X = 2,等于β 0 + 2 β 1,可以进行估计。)
在雷曼的公式中,几乎任何公式都可以是几乎任何性质的估计。 估计量和估计量之间没有内在的数学联系。 但是,我们可以提前评估估计器合理接近预期要估计的数量的可能性。估计方法的主题是如何做到这一点以及如何利用它们。
简而言之:估计量是一个函数,估计量是对观察到的样本进行汇总的值。
一个估计器是将一个随机样本的参数估计的函数:
。注意,估计器Ñ随机变量X1,X2,。。。,XÑ是一个随机变量 Θ。例如,估计器是样本均值: ‾ X =1
。例如,所观察到的样品的估计X1,X2,。。。,XÑ是样本均值 :μ = ¯ X =1
在线性回归模型的背景下说明胡布尔的答案可能会有所帮助。假设您有一些双变量数据,并且使用普通最小二乘提出以下模型:
Y = 6X + 1
此时,您可以取X的任何值,将其插入模型并预测结果Y。从这个意义上讲,您可以将模型的通用形式(mX + B)的各个组成部分视为估计量。样本数据(您可能插入到通用模型来计算特定值米和乙上文)提供在其上可以想出的基础估计为米和乙分别。
与下面的线程中的@whuber点一致,在线性回归的情况下,一组特定的估计量为您生成的Y的任何值都被视为预测值。
(编辑-几次-以反映以下评论)
假设您收到了一些数据,并且有一些观察到的变量称为theta。现在您的数据可以来自数据分布,对于此分布,您可以推断出相应的theta值,它是一个随机变量。每当数据的分布发生变化时,都可以使用MAP或均值来计算此随机变量的估算值。因此,随机变量theta称为估计值,即特定类型数据的未观察变量的单个值。
虽然估算器是您的数据,但它也是一个随机变量。对于不同类型的分布,您具有不同类型的数据,因此具有不同的估计,因此,此相应的随机变量称为估计器。