高等数理统计 |
您所在的位置:网站首页 › 第四章参数估计 › 高等数理统计 |
欢迎指正。 第四章 点估计的性质上一章介绍了几种点估计方法以及两个关键的优良性准则:无偏性和最小风险(特例:最小均方误差)。本章我们将介绍与估计量的均方误差有密切关系的有效性问题。因为大多数情况下估计量的最小均方误差都不可能无限指的小,而是有一个C-R下界,因此达到这个下界的估计量最好,称为‘最有效’。 本章的第二个重点内容就是估计量的渐进性质,像相合性、渐进正态性、收敛性。 4.1 C-R不等式我们先来看以下均方误差的推导,顺便回顾一下上一节的无偏性与风险函数:首先损失函数 为凸函数,风险函数为损失函数的期望 ,如果损失函数 ,风险函数即为 均方误差(MSE),此时有:由此可以看出,估计量的均方误差=方差+偏差 。对于无偏估计来说,由于 ,所以有 ,因此 要求估计量的均方误差尽可能的小,等价于要求估计量的方差尽可能小。---------------------------------------------------------------------------------------------- 补充一下正则分布族(C-R分布族)的定义,可能会用到,大部分情况下我们见到的分布族都满足正则分布族的定义,常见的分布只有均匀分布和带位置参数的指数分布(也没那么常见)不是正则分布族。 正则分布族需要满足的几个基本条件摘要如下: (1) 有共同支撑,即 与 无关(2) 关于 连续、可导; 存在二阶矩,且有 这里的 为Fisher信息阵。(3) 关于 求导与关于x求积分可交换次序---------------------------------------------------------------------------------------------- 4.1.1 分布参数为一维的情况我们省去太多有关C-R不等式及证明的内容,上干货: C-R不等式: C-R不等式说明,在C-R分布族中, 的任何无偏估计 ,不管形式如何,其方差,即均方误差总是有下界的,其 方差下界(CRLB)为 ,与估计量无关,因此方差能达到下界的无偏估计必然是最优的。 其中 是Fisher信息量,我们在 第二章的2.4节—分布族的信息函数给过详细的介绍,计算公式为根据以上分析提出以下有效性的定义: 定义1 设 为 的无偏估计,若其方差达到C-R下界,即则称 为 的 有效无偏估计。例1 设 独立同分布, (Poisson分布),计算 的无偏估计的 下界(1)取 ,这时 为一致最小方差无偏估计,且有 ,且我们容易求得 ,因此有 . 无偏估计、方差、信息函数的计算细节就不给出了,我们主要是给出C-R下界的计算流程。 这里我们可以看到 ,所以 为有效无偏估计。(2)取 ,这时 为 一致最小方差无偏估计,其中 ,且有 ,还有 ,因此有 . 这里可以看出, ,因此 不是 的有效无偏估计。定义2 若 为 < |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |