题目
证明例11.2中的MAP估计量是贝叶斯意义下的一致估计,或者当且
时,对于未知参数的任何现实
,这个 MAP估计量是一致的。说明为什么在一般情况下这是真的。提示:参见例9.4。
解答
例11.2中的MAP估计量为:
其中:
一致性(consistency)是指随着样本量的增大,估计量的值越来越接近被估计总体的参数。参考:
因此,当时,
而根据例9.4可以得到,指数分布情况下:
是无偏的,且根据7.8,指数分布的正态渐进性公式:
当,时,
,因此
的值越来越接近被估计总体的参数,即:
一般来说,当时,MAP估计量可以通过最大化
(忽略先验分布
)获得。对于一个估计量
的具体实现
,当
时,此时最大化概率密度获得的
就是极大似然估计(MLE)估计量。此时,如果MLE估计量是一致估计量,那么MAP估计量也是一致估计量。