一致最小方差无偏估计
1.UMVUE的定义:
设
g^∗(X)为
g(θ)的一个无偏估计,若:
∀无偏估计
g^(X),都有:
Dθ(g^∗(X))≤Dθ(g^(X)),∀θ∈Θ
则称
g^∗(X)是
g(θ)的一致最小方差无偏估计(UMVUE)
引理1:
T=T(X)是
θ的充分统计量,而
g^(X)为
g(θ)的一个无偏估计,则
h(T)=E(g^(X)∣T)是
g(θ)的无偏估计
并且
Dθ(h(T))≤Dθ(g^(X)),∀θ∈Θ,等号当且仅当
g^(X)=h(T)时成立
改引理还表明了UMVUE一定是充分统计量的函数。
2.定理(UMVUE成立的充要条件):
g^(X)为
g(θ)的一个无偏估计,
Dθ(g^(X))<∞,则
g^(X)为
g(θ)的UMVUE的充分(必要)条件是:
对任何满足条件“Eθl(X)=0,∀θ∈Θ"的统计量l(X),必有Covθ(g^(X),l(X))=Eθ[g^(X)∗l(X)]=0
推论:
T=T(X)是
θ的充分统计量,
g^(X)是
g(θ)的无偏估计,对任何满足条件“
Eθl(T)=0,∀θ∈Θ"的统计量
l(T)必有
Covθ(g^(T),l(T))=Eθ[g^(T)∗l(T)]=0
则
h(T)是
g(θ)的
UMVUE
3.Lehmann-Scheff定理:
设
T=T(X)是
θ的充分完全统计量。若
g^(T)是
g(θ)的一个无偏估计,则
g^(T)是
g(θ)的唯一的
UMVUE。
推论(指数族特殊情况):
设
X=(X1,X2,…,Xn)的分布为指数族
f(x,θ)=C(θ)exp{∑i=1kθiTi(X)}h(X)
令
T(X)=(T1(X),…,Tk(X)),若自然参数空间
Θ∗作为
Rk的子集有内点,且
g^(T(X))是
g(θ)的无偏估计,则
g^(T(X))是
g(θ)的唯一的
UMVUE。
4.C-R下届
估计量方差的下届称为C-R下界,当
g^的方差达到该下届(若能),则
g^为
g(θ)的无偏估计。
C-R下届常较真下届小
5.C-R正则分布
若 单参数 概率函数族
F=f(x,θ),θ∈Θ满足下列条件:
- 参数空间
Θ是直线上的某个开区间;
- 对任意
x∈χ,θ∈Θ,f(x,θ)>0即分布族具有共同支撑集
{x:f(x,θ)>0}
- 对任意
x∈χ,θ∈Θ,∂θ∂f(x,θ)存在
- 概率函数f(x,θ)的积分与微分运算可交换:
∂θ∂∫f(x,θ)dx=∫∂θ∂f(x,θ)dx
f(x,θ)为离散时条件改为无穷级数和微分运算可交换。
- 下列数学期望存在,且
0<I(θ)=Eθ[∂θ∂logf(X,θ)]2<∞
称该分布族为C-R正则分布族,(1)-(5)称为C-R正则条件。
I(θ)称为该分布的Fisher信息量(函数)
6.单参数C-R不等式(确定C-R下届)
F=f(x,θ),θ∈Θ是C-R正则分布族,
g(θ)在
Θ上可微,
g^(X)是
g(θ)的任一无偏估计,且满足下列条件:
6. 积分
∫⋯∫g^(X)f(X,θ)dx
可在积分号下对
θ求导数,此处
dx=dx1⋯dxn,则有
Dθ[g^(X)]≥nI(θ)(g^′(θ))2,∀θ∈Θ.
特别当
g(θ)=θ时
Dθ[g^(X)]≥nI(θ)1,∀θ∈Θ.
离散时变为
Dθ[g^(X)]≥n∑i{[∂θ∂logf(X,θ)]2f(xi,θ)}[g^′(θ)]2,∀θ∈Θ.
参考资料:《数理统计》第二版 韦来生编著