概论第7章_参数估计_点估计的评价标准_相合性_无偏性_有效性

本文链接：https://blog.csdn.net/ximanni18/article/details/128848202

点估计的评价标准包括：相合性，无偏性，有效性。

一. 相合性

衡量一个估计是否可行的必要条件，就是估计的相合性。
本文不提其定义了。直接给出一些结论。
结论
设有正态总体N( $μ,σ2\mu, \sigma^2$ ) 的样本，则有

$x‾\overline x$ 是 $μ\mu$ 的相合估计。
样本二阶中心矩 $s_n^2 =$ $1n∑i=1n(xi−x‾)\frac{1}{n}\sum\limits_{i=1}^n(x_i-\overline x)$ 是 $σ2\sigma^2$ 的相合估计。
样本方差 $s^2$ 也是 $σ2\sigma^2$ 的相合估计。

设有均匀总体U(0, $θ\theta$ )的样本， $θ\theta$ 的极大似然估计是相合估计。

二. 无偏性

2.1 定义
设 $θ^=θ^(x1,...,xn)\hat\theta=\hat\theta(x_1, ..., x_n)$ 是 $θ\theta$ 的一个估计， $θ\theta$ 的参数空间为 $Θ\Theta$ , 若对任意的 $θ∈Θ\theta \in \Theta$ , 有

θ^\hat\theta

θ\theta

则称

θ^\hat\theta

是

θ\theta

的无偏估计，否则称为有偏估计。
~~
无偏性要求可以改写为

E(θ^−θ)=0E(\hat\theta - \theta) = 0

, 这表示无偏估计没有系统偏差。

无偏性不具有不变性。若 $θ^\hat\theta$ 是 $θ\theta$ 的无偏估计，一般而言g $(θ^)(\hat\theta)$ 不是g $(θ)(\theta)$ 的无偏估计，除非g $(θ)(\theta)$ 是 $θ\theta$ 的线性函数。
例如：样本方差 $s^2$ 是 $σ2\sigma^2$ 的无偏估计，但 s 不是 $σ\sigma$ 的无偏估计。

考点1. 无偏性：系数之和为1，是最无偏的估计。

看例题
在这里插入图片描述

三. 有效性

所谓有效性，是建立在无偏估计的基础上
定义：设 $θ^1\hat\theta_1$ , $θ^2\hat\theta_2$ 是 $θ\theta$ 的两个无偏估计，如果对任意的 $θ∈Θ\theta \in \Theta$ 有

θ^1⩽\hat\theta_1\leqslant

θ^2\hat\theta_2

)

且至少有一个

θ∈Θ\theta\in\Theta

使得上述不等号严格成立，则称

θ^1\hat\theta_1

比

θ^2\hat\theta_2

有效。
考点2. 有效性：系数方差最小的是最有效的

例题 2011.7
设 $x_1, x_2$ 来自任意总体 X的2个样本，则E(X)的无偏估计量中，最有效的估计量是( )

A. $23x1+13x2\frac{2}{3}x_1+\frac{1}{3}x_2$ B. $14x1+34x2\frac{1}{4}x_1+\frac{3}{4}x_2$ C. $25x1+35x2\frac{2}{5}x_1+\frac{3}{5}x_2$ D. $12x1+12x2\frac{1}{2}x_1+\frac{1}{2}x_2$

解：用瞪眼法，易知 D系数方差最小，为最有效。
答案： D