0. Outlines
- 区间构造原则
- 置信系数;
- 区间估计方法简介:(Confidence Interval v.s. Critical Interval)[@wiki_CI]
- 小样本估计法(枢轴量法)
- 大样本估计法(近似正态)
- 非参数bootstrap法
- 贝叶斯方法
- 区间估计的评估
1. 区间估计构造原则
对于构造的估计区间 [θ^1(X1,...,Xn),θ^2(X1,...,Xn)] :
- 可靠度:概率 P(θ^1(X1,...,Xn)≤θ≤θ^2(X1,...,Xn)) 尽可能大;
- 估计的精度尽可能高,如区间长度尽可能短;
- Neyman提出的原则:在保证可靠度时的前提下尽量使精度提高;
2. 置信系数(confidence coefficient)
(Def) 给定一个很小的数 α>0 , 若 infθP(θ^1(X1,...,Xn)≤θ≤θ^2(X1,...,Xn))=1−α ,那么称区间估计 [θ^1,θ^2] 的置信系数为 1−α ;
Remarks:
- 有时上概率是直接取等的,而非求下确界;
3. 区间估计方法简介
3.1小样本估计法(枢轴量法)
枢轴量法条件
- 找一个待估参数 g(θ) 的统计量 T(X) ;
- 寻找一个函数
S(g(θ),T)
,其分布
F
与
θ 无关,成为枢轴变量(pivot); - 对于给定的
α
,取分布
F
的上、下
α/2 分位点,反解Section1里的概率函数,即可得到置信系数为 1−α 的区间估计;
经典例子
- 正态总体, σ 已知, X¯−μσ/n√∼N(0,1);
- 正态总体, σ 未知, X¯−μs/n√∼tn−1;
- 正态总体, σ 未知, (n−1)S2σ2∼χ2n−1;
- 两正态总体 X∼N(μ1,σ21),Y∼N(μ2,σ22) ,i.i.d采样 (X1,..,Xn),(Y1,...,Ym) ,那么 S21/σ21S22/σ22∼Fn−1,m−1;
3.2大样本估计法(近似正态)
利用极限分布(CLT)来建立枢轴量,这样条件2近似满足
3.3 非参数bootstrap法
3.4 贝叶斯方法
寻找区间
[θ^1,θ^2]
,s.t.
∫θ^2θ^1h(θ|X˜)dθ=1−α;
相比枢轴量法,贝叶斯方法更简单,只要求出后验概率后,找到后验分布的最大值点,然后画横线同时往下下降,直到横线与后验分布的交点间的概率为
1−α.