[7.x] 参数估计¶

点估计¶

设总体\(X\)的分布函数为\(F(x;\theta)\)，\(\theta\)是待估参数，\(X_1,X_2,...,X_n\)是\(X\)的一个样本。
点估计就是要构造一个适当的统计量\(\hat{\theta}(X_1,X_2,...,X_n)\)，用来估计未知参数\(\theta\)，我们称\(\hat{\theta}(X_1,X_2,...,X_n)\)为\(\theta\)的估计量。
如果把其中的样本值用\(x_1,x_2,...,x_n\)代替，则称\(\hat\theta(x_1,x_2,...,x_n)\)为\(\theta\)的一个估计值。
在不导致混淆的情况下，两者都可以被称为“估计”，并都可以简记为\(\hat\theta\)。

矩法¶

做题步骤：

1. 假设有\(k\)个待求未知参数；
2. 列关于\(\mu_1,\mu_2,...,\mu_k\)的方程组；
3. 从方程组中解出这\(k\)个参数；
4. 如果方程中存在恒等式，则可以顺延求\(\mu_{k+1}\)；
5. 理论上任意\(k\)个关于\(\mu_i\)的方程组都可以，但考试要求前\(k\)个才算对；

极大似然法¶

做题步骤：

1. 构造对数似然函数(Likelihood Function)\(L(\theta)=\ln p(x_1,...,x_n,\theta)\)；
2. 求\(\hat\theta\;\;s.t.\;\;L(\hat\theta;x_1,x_2,...,x_n)=\max_{\theta\in\Theta}L(\theta;x_1,x_2,...,x_n)\)；
3. 解对数似然方程(Log-likelihood Equation)\(\frac{\mathrm{d}L(\theta)}{\mathrm{d}\theta}=0\)，检验极大值点；
4. 检验端点；
5. 求最大值点；

性质：

• 极大似然估计的不变性
• 设参数\(\theta\)的极大似然估计为\(\hat\theta\)，\(\theta^*=g(\theta)\)是\(\theta\)的连续函数，则参数\(\theta^*\)的极大似然估计为\(\hat\theta^*=g(\hat\theta)\)；

估计量的评价准者¶

无偏性准则¶

设\(\theta\)是总体\(X\)的待估参数，\(X_1,X_2,...,X_n\) 是来自总体\(X\)的样本，若估计量\(\hat\theta=\hat\theta(X_1,X_2,...,X_n)\)的数学期望存在，满足\(E(\hat\theta)=\theta,\;\;\forall\theta\in\Theta\)，则称\(\hat\theta\)是\(\theta\)的无偏估计量或无偏估计(Unbiased Estimation)。

• 若\(E(\hat\theta)\not=\theta\)，则称\(E(\hat\theta)-\theta\)为估计量\(\hat\theta\)的偏差；
• 若\(E(\hat\theta)\not=\theta\)，但若满足\(\lim_{x\to+\infty}E(\hat\theta)=0\)，则称\(\hat\theta\)是\(\theta\)的渐进无偏估计(Asymptotic Unbiased Estimation)；

有效性准则¶

设\(\theta_1\)和\(\theta_2\) 是参数\(\theta\)的无偏估计，若\(\forall \theta\in\Theta\)，\(Var_\theta(\hat\theta_1)\leq Var_\theta(\hat\theta_2)\)，且不恒取“=”，则称\(\hat\theta_1\)比\(\hat\theta_2\)有效。

均方误差准则¶

\(E[(\hat\theta-\theta)^2] =Var(\hat\theta)+(E(\hat\theta)-\theta)^2\)是估计量\(\hat\theta\)的均方误差(Mean Square Error)，记为\(Mse(\hat\theta)\)。
若\(Mse(\hat\theta_1)\leq Mse(\hat\theta_2)\)且不恒取“=”，则称\(\hat\theta_1\)优于\(\hat\theta_2\)。

• 若\(\hat\theta\)是参数\(\theta\)的无偏估计量，则有\(Mse(\hat\theta)=Var(\hat\theta)\)；
• 因而均方误差准则常用于有偏估计量之间，或有偏估计量与无偏估计量之间的比较；

相合性准则¶

若\(\lim_{n\to+\infty}P\{|\hat\theta_n-\theta|<\varepsilon\}=1\)，即\(\hat\theta _n \xrightarrow{P}\theta\)，则称\(\hat\theta_n\)是\(\theta\)的相合估计量(Consistent Estimation)。
有如下定理：

• 设\(\hat\theta_n=\hat\theta_n(x_1,x_2,...,x_n)\)是\(\theta\)的一个估计量，若\(\lim_{n\to \infty}E(\hat\theta)=\theta,\;\;\;\lim_{n\to\infty}Var(\hat\theta_n)=0,\)则\(\hat\theta_n\)是\(\theta\)的相合估计。

区间估计¶

• 橙书 P300
• 绿书 P190
• 这里只给出特定估计的表达式

单个正态总体参数的置信区间¶

采用上侧分位数
\(X\sim N(\mu,\sigma^2)\)

\(\sigma\)已知时\(\mu\)的置信区间
\(\overline x \sim N(\mu,\sigma^2/n)\;\;\rightarrow\;\; \frac{\overline x-\mu}{\sigma/\sqrt{n}}\sim N(0,1)\) \([\hat\theta_L,\hat\theta_U]=[\;\;\overline x-\frac{z_{\alpha/2}·\sigma}{\sqrt{n}}\;\;,\;\;\overline x + \frac{z_{\alpha/2}·\sigma}{\sqrt{n}}\;\;]\) \(\sigma\)未知时\(\mu\)的置信区间
\(\frac{\sqrt{n}(\overline x - \mu)}{\sqrt{s^2} }\sim t(n-1)\) \([\hat\theta_L,\hat\theta_U]=\left[\;\; \overline x - \frac{t_{\alpha/2}(n-1)s}{\sqrt{n}} \;\;,\;\; \overline x + \frac{t_{\alpha/2}(n-1)s}{\sqrt{n}} \;\;\right]\) \(\sigma^2\)的置信区间（当作\(\mu\)未知）
\(\frac{(n-1)s^2}{\sigma^2}\sim \chi^2(n-1)\) \([\hat\theta_L,\hat\theta_U]=\left[\;\; \frac{(n-1)s^2}{\chi^2_{\alpha/2}(n-1)} \;\;,\;\; \frac{(n-1)s^2}{\chi^2_{1-\alpha/2}(n-1)} \;\;\right]\)

两个正态总体下的置信区间¶

\(\sigma_1^2,\sigma_2^2\)已知时\(\mu_1-\mu_2\)的置信区间
\(\overline x - \overline y \sim N(\mu_1-\mu_2,\frac{\sigma_1^2}{n_1},\frac{\sigma_2^2}{n_2})\) \([\hat\theta_L,\hat\theta_U]=\left[\;\;\overline x - \overline y+ z_{\alpha/2}\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}\;\;,\;\;\overline x - \overline y- z_{\alpha/2}\sqrt{\frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}}\;\;\right]\) \(\sigma_1^2,\sigma_2^2\)未知但相同(\(\sigma_1^2=\sigma_2^2=\sigma^2\))时\(\mu_1-\mu_2\)的置信区间
取\(\sigma^2\)的无偏估计量\(S^2_w=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}\) \(\frac{(\overline x -\overline y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t (n_1+n_2-2)\) \([\hat\theta_L,\hat\theta_U]=\left[\;\; \overline x - \overline y\pm t_{\alpha/2}(n_1+n_2-2)S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}} \;\;\right]\) \(\sigma_1^2,\sigma_2^2\)未知且不同(\(\sigma_1^2\not=\sigma_2^2\))时\(\mu_1-\mu_2\)的置信区间

• 当样本容量\(n_1,n_2\)足够大时，有\(\frac{(\overline x -\overline y)-(\mu_1 - \mu_2)}{\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}}}\sim N(0,1)\)
• \([\hat\theta_L,\hat\theta_U]=\left[\;\; \overline x - \overline y\pm z_{\alpha/2}\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}} \;\;\right]\)
• 而对于容量不大的小样本，有如下结论：
• \(\frac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}}}\sim t(k)\;\;where \;\; k=\frac{(\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2})^2}{\frac{(S_1^2)^2}{n_1^2(n_1-1)}+\frac{(S_2^2)^2}{n_2^2(n_2-1)}}\)；
• \([\hat\theta_L,\hat\theta_U]=\left[\;\; \overline x - \overline y\pm t_{\alpha/2}(k)\sqrt{\frac{S_1^2}{n_1}+\frac{S_2^2}{n_2}} \;\;\right]\)

\(\frac{\sigma^2_1}{\sigma_2^2}\)的区间估计
\(\frac{S_1^2/S_2^2}{\sigma^2_1/\sigma_2^2}\sim F(n_1-1,n_2-1)\)

激励

评论