无偏估计唯一性_请问，参数估计的无偏性和一致性有什么异同吗？

楼主，我发现你最近发了很多这方面的帖子，稍微说下吧，我怕好多人乱说把你弄迷糊了。

其实你不想翻书的话，可以看看维基。

这些概念一般要结合数学公式才比较直白，但是论坛打公式很麻烦，你凑合看吧。

无偏性是指，比如我们要估计某个参数theta,然后得到一个估计量theta_hat,如果theta_hat的数学期望等于未知参数theta,那么我们说theta_hat是theta的无偏估计。

引用版主的例子：样本方差的估计((x-x_bar)^2)/(n-1) 是无偏的，而((x-x_bar)^2)/n 是有偏的。

但是，((x-x_bar)^2)/n 是渐近无偏的，就是说，随着样本容量的增加，偏差会逐渐减小到0。

从渐近无偏性，其实开始涉及到“大样本”的概念，一致性(相合性)同样是一种大样本性质，小样本下不考虑。

需要注意的是，无偏估计不一定存在，即使存在也不一定唯一，而且无偏估计有时并不是一个好的估计。

无偏估计一般不唯一，那么如何比较呢，一般通过方差来比较，如果存在某个无偏估计的方差恒小于等于其他任何无偏估计的方差，

我们称这个无偏估计为“一致最小方差无偏估计量” uniformly minimum variance unbiased estimate--UMVUE. 想找UMVUE，记住只要完备充分统计量存在，那么UMVUE存在(充分非必要条件)。

一致性是指，样本容量n趋于无穷时，估计量theta_hat依概率收敛于theta，其实是weak consistency(弱相合)，不过一般而言够用了。还有一种就是theta_hat几乎处处收敛于theta，这是强相合。一致性是衡量某个估计量的最基本的要求，如果某个估计量不满足一致性，基本不用考虑。实际上，一致估计也有很多，他们的优劣一般通过渐近分布的方差来比较。

顺路提醒你一下，无偏性和一致性并不等价，实际上，当且仅当某个估计量收敛并且偏差为0时，它是个一致估计量。

举俩例子：

1.无偏但不一致

iid sample x1,...,xn  你可以使用x1作为E(x)的估计，这是无偏的，但是不一致。(我记得伍德里奇书上有这个例子，太久了，实在记不清楚了抱歉。)而样本均值则是一致估计，你可以通过均方收敛推出来依概率收敛。

2. 有偏但一致

x_bar + 1/n，这是个有偏但一致的估计。

我还是建议楼主你找本数理统计或者概率的书好好看看，这都是些概念性的东西。