跳转至

原作者: cc98 @camrxc

cc98链接

Chapter 7 参数估计

点估计

矩估计法

统计思想:以样本矩估计总体矩,以样本矩的函数估计总体矩的函数,矩包括k阶原点矩和k阶中心矩

​ 根据大数定理,当样本容量n+时,样本矩依概率收敛于相应的总体矩,即 AkPμk,BkPνk ​ 我们将待估参数θm​写成这些总体矩的函数

​ 有几个待估参数总体矩数量k就用多少 θm=hm(μ1,μ2,,μk)

​ 根据矩法思想,用样本矩代替总体矩 θ^m=hm(A1,A2,,Ak) ​ 将θ^m称为参数θm​的矩估计量

特别地,矩估计中用样本二阶中心矩来估计总体方差

极大似然法

​ 若事件A发生的概率依赖于待估参数θ,且观察到A事件已经发生,则用使事件A发生的概率达到最大的θ值作为θ的估计。

​ 对于离散总体,设其概率分布为P{X=x}=p(x;θ), θΘ, Θ是参数空间,则样本X1,X2,,Xn取到x1,x2,,xn的概率为i=1nP{Xi=xi}=i=1np(xi;θ)

L(θ)=i=1nP{Xi=xi}=i=1np(xi;θ)

​ 对于连续型随机变量,L(θ)=i=1nf(xi;θ),其中f(x)为连续型随机变量的密度函数

​ 我们称L(θ)为似然函数,若 L(θ^)=L(θ^;x1,x2,...,xn)=maxθΘL(θ;x1,x2,...,xn) 由此获得的θ^=θ(x1,x2,...,xn)称为参数θ的极大似然估计值,相应的统计量θ^=θ(X1,X2,...,Xn)称为θ的极大似然估计量(MLE)。

常用微分法 l(θ)=lnL(θ)=i=1nlnp(xi;θ)dl(θ)dθ|θ=θ^=0

第四条称为极大似然估计的不变性

常见分布的参数的最大似然估计值(内容来自知乎)

均匀分布

指数分布

二项分布

泊松分布

区间估计

定义

​ 设总体为X,θΘ是待估参数,X1,X2,,Xn是来自总体X的样本,统计量θ^L(X1,X2,,Xn),θ^U(X1,X2,,Xn)满足θ^L<θ^U, 且对于给定的α,对于任意的θΘ, 有P{θ^L<θ<θ^U}1α

则称区间(θ^L,θ^U)是参数θ置信水平1α双侧置信区间θ^Lθ^U​分别为双侧置信下限双侧置信上限

单侧置信上限单侧置信下限只考虑一侧,θ^Lθ的置信度为1α2的单侧置信下限,θ^Uθ的置信度为1α2的单侧置信上限

E(θ^Uθ^L)为区间的精确度,精确度的一半为误差限

枢轴量

​ 总体X的密度函数为f(x;θ),其中θ是待估参数,如果样本和参数的函数G(X1,X2,,Xn,θ)的分布完全已知,且不依赖与其他参数,则称G(X1,X2,,Xn,θ)为枢轴量

寻求区间估计的步骤

  1. 构造一个枢轴量G(X1,X2,,Xn,θ)

  2. 对给定的置信水平1α,根据枢轴量G(X1,X2,,Xn,θ)的分布,选择两常数ab,使Pθ{a<G(X1,X2,,Xn,θ)<b}=1α。若对离散随机变量,可能没有办法使概率正好等于1α,因此,ab应使Pθ{a<G(X1,X2,,Xn,θ)<b}1α且尽可能接近1α

  3. 根据分布,取出尽可能小的区间(a,b),并据此解出θ^L,θ^U

习惯上,取ab满足Pθ{G(X1,X2,,Xn,θ)a}=Pθ{G(X1,X2,,Xn,θ)b}=α2

若求单侧上限或单侧下限,把1α换成α即可

枢轴量的选择原则

  1. 包含未知参数、未知参数的样本估计、和一个已知参数(有总体参数用总体参数,没有的话用样本量)

  2. 分布函数要已知

  3. 例子:

一、单正态总体 N(μ,σ2) 常用枢轴量

(1) σ2 已知, 求 μ 的区间估计: G=X¯μσ/nN(0,1)

区间为 (Xσnzα/2X+σnzα/2)

(2) σ2 未知, 求 μ 的区间估计: X¯μS/nt(n1)

区间为 (XSntα/2(n1)X+Sntα/2(n1))

(3) μ 未知, 求 σ2 的区间估计: (n1)S2σ2=i=1n(XiX¯σ)2χ2(n1)

区间为 ((n1)S2χα/22(n1)(n1)S2χ1α/22(n1))

*(4) μ 已知, 求 σ2 的区间估计: i=1n(Xiμσ)2χ2(n)​​​​​

二、双正态总体的常用枢轴量

(1) σ12,σ22 己知, 求 μ1μ2 的区间估计: (X¯Y¯)(μ1μ2)σ12n1+σ22n2N(0,1)

区间为 (XY±zα/2σ12n1+σ22n2)

(2) σ12=σ22 未知, 求 μ1μ2​​的区间估计:

(X¯Y¯)(μ1μ2)Sw1n1+1n2t(n1+n22)
Sw2=(n11)S12+(n21)S22n1+n22,Sw=Sw2

区间为 (XY±tα/2(n1+n22)Sw1n1+1n2)

​ (3) μ1,μ2 未知, 求 σ12σ22 的区间估计: S12/S22σ12/σ22F(n11,n21)

区间为 (S12/S22Fα/2(n11,n21),S12/S22F1α/2(n11,n21))

​ *(4) μ1,μ2 已知, 求 σ12σ22 的区间估计: m=1n(X1μ1)2/n1i=12(Y1μ2)2/n2/σ12σ22F(n1,n2)

估计量的评价准则

无偏性准则

无偏估计 E(θ^)=θ

偏差 E(θ^)θ

渐近无偏估计 limn+E(θ^)=θ

有效性准则

​ 若θ^1,θ^2都是无偏估计,且θΘ,Varθ(θ^1)Varθ(θ^2),要求至少有一个θ使不等号成立,则称θ^1θ^2更有效。

简单理解:方差越小越有效

均方误差准则

Mse(θ^)为估计量θ^的均方误差,要使Mse(θ^)=E[(θ^θ)2]​尽量小

Mse(θ^)=E[(θ^θ)2]=Var(θ^θ)+(E(θ^)θ)2=Var(θ^)+(E(θ^)θ)2

无偏时,Mse(θ^)=Var(θ^)

相合性准则

满足 θ^Pθ

则称θ^θ的相合估计量或一致估计量