参数估计 评价估计量的标准

目录

https://blog.csdn.net/weixin_45792450/article/details/109314584

---

无偏性

我们希望估计量$\hat{\theta }$的取值不要偏高也不要偏低，即$\hat{\theta }$的平均取值与$\theta$的真值一致，于是导出了无偏性标准：

定义 设$\hat{\theta }=\hat{\theta }(X_1,X_2,...,X_n)$为参数$\theta$的估计量，若$E\hat{\theta }=\theta$，则称$\hat{\theta }$是$\theta$的无偏估计量，否则称之为有偏估计量。若$\underset{n\to \infty }{\lim }E\hat{\theta }=\theta$，则称$\hat{\theta }$是$\theta$的渐进无偏估计量

具体例子：

有效性

有时一个参数存在许多无偏估计量，选用哪一个好呢?显然应该看它们中间哪一个取值更集中，即方差更小.也就是说，一个好的估计量应具有尽量小的方差.由此引出了第二个标准——有效性.

定义 设${\hat{\theta }}_1$与${\hat{\theta }}_2$为参数$\theta$的两个无偏估计量，若$D{\hat{\theta }}_1<D{\hat{\theta }}_2$，则称${\hat{\theta }}_1$比${\hat{\theta }}_2$更有效

具体的例子：

一致性

所谓一致性就是当样本容量无限增大时，估计量$\hat{\theta }$与$\theta$的真值任意接近的概率趋于1，它反映了估计量的一种大样本性质。

定义 设$\hat{\theta }=\hat{\theta }(X_1,X_2,...,X_n)$为参数$\theta$的估计量，若$\hat{\theta }$以依概率收敛于$\theta$，则称$\hat{\theta }$为$\theta$的一致估计量，即存在关系：

$$\underset{n\to \infty }{\lim }P(\left|\hat{\theta }-\theta \right|>\epsilon )=0$$