估计的商是什么意思_方差的估计：分母用n还是n-1？

方差的两个估计量

假设

是均值为

方差为

的

个独立同分布随机变量。现对方差

进行估计。一个自然的估计量应为：

上述估计量可看作是矩估计量。而在正态分布假定下，其也是极大似然估计量。但该估计量存在一个缺陷：它是有偏的。实际上，我们有

从而有

第一个不等式仅在

时取等号。

上述结果表明：

作为方差的估计，总是低估的。而低估是由于我们用样本均值去估计总体均值导致的。

进一步，可以将

精确计算出来。我们有：

这表明，只需对

乘以

，即可得无偏估计量：

上述

被称为样本方差，是我们对方差进行估计时默认采用的估计量。估计量

和

的区别仅在一个分母是

，一个是

。

尽管形式很自然但是有偏的，而

分母取为

，形式不太自然但是无偏的。

为什么无偏性重要？

对于参数

，若估计量

满足

，则称

是无偏的。如何理解

呢？根据大数定律，当

趋于

时，

这里

表示第

次采样时，

的估计值；

表示

次采样

的估计值的平均水平。若估计量是无偏的，当大量重复采样时，估计量的平均水平会收敛到待估的参数

。也就是说估计量

会围绕参数

上下波动。

举例来说，要估计40岁中国男性的平均身高

，我们不可能把所有40岁的中国男性的身高都进行测量，故采用抽样的方式，利用样本来推断总体。在每次采样中，我们抽取

个个体并求取他们身高的平均值

。在第

次采样，

的值可能比未知的

大。而在另一次采样中，

的值又比未知的

小。这表明

具有随机性，而随机性来自于抽样。抽样的不同导致估计结果不同，而对于某一次具体的抽样，

的随机性消除，退化为一个具体的数值。尽管

作为平均身高的估计具有随机性，但只要大量重复抽样得到的估计量围绕真值

上下波动，我们就认为是可以接受的。

对照到我们的人生，有时我们会倒霉，有时又会非常幸运，只要别一直倒霉，生活总是可以继续的。

作为方差的估计，估计量的实现值倾向于比真值低，也就是存在系统性偏差。这不是我们所乐见的。

样本方差真的就完美了吗？

样本方差（即分母取n-1）作为方差的估计量，似乎已被大家普遍接受。但它真的就完美了吗？实际上，对于估计量来讲，除了无偏性，还需考虑有效性，也就是估计量的波动性。

比如在上面平均身高的例子中，若

，即每次采样从人群中随机抽取一个人，用其身高值作为平均身高的替代。在某次采样中，我们可能抽到了姚明，这样就会明显高估人群的平均身高；而在下次采样中，我们可能抽到了王祖蓝，这样又拉低了平均身高。也就是说这种随机抽一个人的方式所得到的结果波动性非常大。为了减少波动性，可以增大每次采样的样本量。

在统计学中，一般用估计量的方差来评价估计量的波动性。下面讨论

和

的方差的差异。注意到

，从而

下图是

和

的方差之比随样本量的变化曲线图：

这表明，

对照的人生：有时过得特精彩，有时又特郁闷，人生大起大落太刺激。而

尽管相对倒霉的时候多点，但人生没有太大的起伏，过得也算平静。

均方误差

无偏性反映了估计量的系统偏差，而有效性反映了估计量的波动性。为将两者都考虑进来，定义均方误差

。注意到：

在正态假定下，

，从而有：

从而

和

的MSE之比为

.

样本量的影响

上述差异在样本量小时是比较明显的。无偏性和有效性更多强调的是有限样本下的性质。当样本量充分大时，

渐近无偏，而

和

的方差之比也趋于1。它们之间的差异就基本消除了。

总结

尽管

作为方差的估计已被普遍接受，但其并不一定是最优的。采用

作为分母主要是从无偏性的角度进行考虑。但除了无偏性，还应考虑有效性。

比

更有效。当样本量充分大时，不需要再纠结是用n-1作分母还是用n做分母。

如果觉得本文不错，请点赞关注！