เกี่ยวกับการมีอยู่ของ UMVUE และทางเลือกของตัวประมาณของในประชากร


10

Letเป็นตัวอย่างที่สุ่มมาจากประชากรที่R(X1,X2,,Xn)N(θ,θ2)θR

ฉันกำลังมองหา UMVUE ของ\θ

ข้อต่อความหนาแน่นของคือ(X1,X2,,Xn)

fθ(x1,x2,,xn)=i=1n1θ2πexp[12θ2(xiθ)2]=1(θ2π)nexp[12θ2i=1n(xiθ)2]=1(θ2π)nexp[1θi=1nxi12θ2i=1nxi2n2]=g(θ,T(x))h(x)(x1,,xn)Rn,θR

ที่และ 1g(θ,T(x))=1(θ2π)nexp[1θi=1nxi12θ2i=1nxi2n2]h(x)=1

ที่นี่ขึ้นอยู่กับและถึงและเป็นอิสระจาก\ดังนั้นโดยทฤษฎีบทตัวประกอบฟิชเชอร์ - เนย์แมนสถิติสองมิติก็เพียงพอแล้วสำหรับ\gθx1,,xnT(x)=(i=1nxi,i=1nxi2)hθT(X)=(i=1nXi,i=1nXi2)θ

อย่างไรก็ตามไม่ได้เป็นสถิติที่สมบูรณ์ นี่เป็นเพราะT

Eθ[2(i=1nXi)2(n+1)i=1nXi2]=2n(1+n)θ2(n+1)2nθ2=0θ

และฟังก์ชั่นไม่ใช่ศูนย์เหมือนกันg(T(X))=2(i=1nXi)2(n+1)i=1nXi2

แต่ฉันรู้ว่าเป็นสถิติที่น้อยที่สุดT

ฉันไม่แน่ใจ แต่ฉันคิดว่าสถิติที่สมบูรณ์อาจไม่มีอยู่สำหรับตระกูลเลขชี้กำลังแบบโค้งนี้ แล้วฉันจะรับ UMVUE ได้อย่างไร? หากสถิติที่สมบูรณ์ไม่มีอยู่ตัวประมาณที่ไม่มีอคติ (เช่นในกรณีนี้) ซึ่งเป็นฟังก์ชันของสถิติที่เพียงพอเพียงเล็กน้อยคือ UMVUE หรือไม่ (หัวข้อที่เกี่ยวข้อง: เงื่อนไขที่จำเป็นสำหรับตัวประมาณที่ไม่มีอคติให้เป็น UMVUE คืออะไร )X¯

เกิดอะไรขึ้นถ้าผมคิดว่าดีที่สุดเชิงเส้นประมาณการที่เป็นกลาง (สีฟ้า) ของ ? BLUE สามารถเป็น UMVUE ได้หรือไม่θ

สมมติว่าฉันพิจารณาตัวประมาณค่าเชิงเส้นตรงของโดยที่และ 2 เนื่องจากเราไม่ทราบว่าEความคิดของฉันคือการลดเพื่อให้จะเป็นสีฟ้าของ\หากว่าจะแล้ว UMVUE ของ ?T(X)=aX¯+(1a)cSθc(n)=n12Γ(n12)Γ(n2)S2=1n1i=1n(XiX¯)2Eθ(cS)=θVar(T) θ T θTθTθ

ผมได้นำเป็นกลาง estimator เชิงเส้นขึ้นอยู่กับและเป็นนอกจากนี้ยังมีเพียงพอสำหรับ\ S( ˉ X ,S2)θX¯S(X¯,S2)θ

แก้ไข:

มีการทำงานมากมายในการประมาณในครอบครัวทั่วไปซึ่งเป็นที่รู้จักต่อไปนี้เป็นข้อมูลอ้างอิงที่เกี่ยวข้องมากที่สุด:N ( θ , a θ 2 ) a > 0θN(θ,aθ2)a>0

ฉันพบข้ออ้างอิงแรกในการฝึกหัดนี้จากการอนุมานทางสถิติโดย Casella / Berger:

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่

คำถามของฉันไม่ได้เกี่ยวกับแบบฝึกหัดนี้

บันทึกย่อสุดท้าย (การตัดทอนθบท) บอกว่าUMVUE ofไม่มีอยู่เนื่องจากสถิติที่น้อยที่สุดยังไม่สมบูรณ์ ฉันอยากจะรู้ว่าอะไรทำให้เราสามารถสรุปได้ว่า UMVUE ไม่มีอยู่จริงเพราะไม่สามารถหาสถิติที่เพียงพอได้? มีผลลัพธ์ที่เกี่ยวข้องเกี่ยวกับเรื่องนี้หรือไม่? ฉันเห็นการมีอยู่ของ UMVUE แม้ว่าจะไม่มีสถิติเพียงพอที่สมบูรณ์ในเธรดที่เชื่อมโยง

ทีนี้สมมติว่าไม่มีความแปรปรวนขั้นต่ำที่เหมือนกันอย่างสม่ำเสมอและไม่มีค่าประมาณสิ่งที่ควรเป็นเกณฑ์ต่อไปของเราในการเลือกตัวประมาณค่าที่ดีที่สุด เรามองหา MSE ขั้นต่ำความแปรปรวนขั้นต่ำหรือ MLE หรือไม่ หรือตัวเลือกของเกณฑ์ขึ้นอยู่กับจุดประสงค์ของการประเมินของเรา

ตัวอย่างเช่นสมมติว่าผมมีความเป็นกลาง estimatorและอีกประมาณลำเอียงของ\สมมติว่า MSE ของ (ซึ่งเป็นความแปรปรวนของมัน) มีมากขึ้นกว่าที่T_2เนื่องจากการย่อขนาดของ MSE หมายถึงการลดความเอนเอียงรวมถึงความแปรปรวนพร้อมกันฉันคิดว่าควรเป็นตัวเลือกตัวประมาณค่าที่ดีกว่าแม้ว่าแบบเดิมจะเอนเอียงT 2 θ T 1 T 2 T 2 T 1T1T2θT1T2T2T1

ตัวเลือกที่น่าจะเป็นของตัวประมาณของอยู่ในรายการจากหน้า 4 ของบันทึกย่อล่าสุดθ

สารสกัดต่อไปนี้มาจากทฤษฎีการประมาณค่าจุดโดย Lehmann / Casella (ฉบับที่สอง, หน้า 87-88):

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่

เป็นไปได้สูงมากที่ฉันเข้าใจผิดทุกอย่าง แต่ประโยคสุดท้ายที่บอกว่าภายใต้เงื่อนไขบางประการการมีสถิติที่สมบูรณ์จำเป็นสำหรับการมีอยู่ของ UMVUE หรือไม่? ถ้าเป็นเช่นนี้ผลลัพธ์ที่ฉันควรจะดูคืออะไร?

ว่าผลที่ผ่านมาเนื่องจาก RR กฤษณาซึ่งเป็นที่กล่าวถึงขวาสุดหมายถึงนี้ทราบ

เมื่อทำการค้นหาเพิ่มเติมฉันพบผลลัพธ์ที่ระบุว่าหากสถิติที่น้อยที่สุดไม่สมบูรณ์สถิติก็จะไม่มีอยู่จริง อย่างน้อยฉันก็ค่อนข้างมั่นใจว่าสถิติที่สมบูรณ์ไม่มีอยู่ที่นี่

อีกผลลัพธ์ที่ฉันลืมที่จะพิจารณาคือเงื่อนไขที่จำเป็นและเพียงพอสำหรับตัวประมาณที่ไม่มีอคติที่จะเป็น UMVUE นั่นคือมันจะต้องไม่เกี่ยวข้องกับตัวประมาณค่าที่เป็นกลางทั้งหมด ฉันพยายามใช้ทฤษฎีบทนี้เพื่อแสดงว่า UMVUE ไม่มีอยู่ที่นี่และความจริงที่ว่าตัวประมาณที่ไม่มีอคติเช่นไม่ใช่ UMVUE แต่นี่ไม่ใช่งานง่ายอย่างที่ทำในที่นี้ในภาพประกอบสุดท้ายX¯

คำตอบ:


3

ปรับปรุง:

พิจารณาตัวประมาณ ที่ให้ในโพสต์ของคุณ นี่คือตัวประมาณค่าที่เป็นกลางโดยมีค่าและจะมีความสัมพันธ์อย่างชัดเจนกับตัวประมาณที่ให้ไว้ด้านล่าง (สำหรับค่าใด ๆ ของ )

0^=X¯cS
c0a

ทฤษฎีบท6.2.25จาก C&B แสดงวิธีการค้นหาสถิติที่เพียงพอสำหรับตระกูลเอ็กซ์โปเนนเชียลตราบเท่าที่มีชุดเปิดในโชคไม่ดี การแจกแจงนี้ทำให้และซึ่งไม่ได้สร้างชุดเปิดใน (ตั้งแต่ ) มันเป็นเพราะเหตุนี้ที่สถิติไม่สมบูรณ์สำหรับและเป็นเหตุผลเดียวกับที่เราสามารถสร้างตัวประมาณค่าที่ไม่เอนเอียงของที่จะมีความสัมพันธ์กับตัวประมาณที่ไม่มีอคติใด ๆ

{(w1(θ),wk(θ)}
Rk w 2 ( θ ) = θ - 1 R 2 w 1 ( θ ) = w 2 ( θ ) 2 ( ˉ X , S 2 )w1(θ)=θ2w2(θ)=θ1R2w1(θ)=w2(θ)2(X¯,S2)θ0θที่ขึ้นอยู่กับสถิติที่เพียงพอ

การปรับปรุงอื่น:

จากที่นี่การโต้แย้งนั้นสร้างสรรค์ มันจะต้องเป็นกรณีที่มีอยู่อีกประมาณเป็นกลางดังกล่าวที่เป็นเวลาอย่างน้อยหนึ่ง\θ~Var(θ~)<Var(θ^)θΘ

พิสูจน์:สมมติว่า ,และ (สำหรับค่าของ ) พิจารณาตัวประมาณค่าใหม่ ตัวประมาณค่านี้ไม่มีความเป็นกลางอย่างชัดเจนพร้อมความแปรปรวน Lethat0)}E(θ^)=θE(0^)=0Cov(θ^,0^)<0θ

θ~=θ^+b0^
Var(θ~)=Var(θ^)+b2Var(0^)+2bCov(θ^,0^)
M(θ)=2Cov(θ^,0^)Var(0^)

โดยสมมติฐานจะต้องอยู่ดังกล่าวว่า0 ถ้าเราเลือกแล้วที่ \ดังนั้นไม่สามารถเป็น UMVUE ได้ θ0M(θ0)>0b(0,M(θ0))Var(θ~)<Var(θ^) θ0θ^

สรุป:ความจริงที่ว่ามีความสัมพันธ์กับ (สำหรับทางเลือกใด ๆ ของ) แสดงให้เห็นว่าเราสามารถสร้างประมาณการใหม่ซึ่งดีกว่าสำหรับอย่างน้อยหนึ่งจุดละเมิดความสม่ำเสมอของอ้างเพื่อความเป็นกลางที่ดีที่สุดθ^0^aθ^ θ0θ^


ลองดูแนวคิดของคุณเกี่ยวกับชุดค่าผสมเชิงเส้นอย่างใกล้ชิดยิ่งขึ้น

θ^=aX¯+(1a)cS

ในขณะที่คุณชี้ให้เห็นเป็นตัวประมาณที่เหมาะสมเนื่องจากขึ้นอยู่กับสถิติที่เพียงพอ (แม้ว่าจะยังไม่สมบูรณ์) เห็นได้ชัดว่าตัวประมาณนี้ไม่เอนเอียงดังนั้นเพื่อคำนวณ MSE ที่เราต้องการเพียงแค่คำนวณความแปรปรวนθ^

MSE(θ^)=a2Var(X¯)+(1a)2c2Var(S)=a2θ2n+(1a)2c2[E(S2)E(S)2]=a2θ2n+(1a)2c2[θ2θ2/c2]=θ2[a2n+(1a)2(c21)]

โดยความแตกต่างของเราสามารถหา "ที่ดีที่สุด" สำหรับกำหนดขนาดตัวอย่างnan

aopt(n)=c211/n+c21
โดยที่
c2=n12(Γ((n1)/2)Γ(n/2))2

เนื้อเรื่องของตัวเลือกที่ดีที่สุดของได้รับด้านล่าง aป้อนคำอธิบายรูปภาพที่นี่

มันค่อนข้างน่าสนใจที่จะทราบว่าเมื่อเรามี (ยืนยันผ่าน Wolframalpha)naopt13

แม้ว่าจะไม่มีการรับประกันว่านี่คือ UMVUE ตัวประมาณนี้เป็นตัวประมาณค่าความแปรปรวนขั้นต่ำของชุดค่าผสมเชิงเส้นที่ไม่เอนเอียงทั้งหมดของสถิติที่เพียงพอ


ขอบคุณสำหรับการอัพเดท. ฉันไม่ได้ทำตามตำราอาหารและเครื่องดื่ม แต่ดูแบบฝึกหัดเท่านั้น
StubbornAtom

1
@StubbornAtom ฉันได้เพิ่มหลักฐานที่แสดงว่าทำไมไม่สามารถเป็น UMVUE (ยืมมาจาก C&B หน้า 344) ลองดูและแจ้งให้เราทราบหากนี่ช่วยได้บ้าง θ^
knrumsey
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.