05第五讲估计量的优良性准则(续).pptVIP

定义4.6 如果 都有 渐近无偏估计。 （Asymptotic Unbiased Estimate） 例如对证态总体 ， 我们知道 是总 体方差 的有偏估计， 且 这样有 定义4.7 如果存在无偏估 使得 成立， 则称 为 的 渐近有效估计。 (Asymptotic Efficient Estimate) 例如 由于 所以 ～ 即 而Cramer-Rao下界为 是有效估计。 但是 需要说明的是 当UMVUE的方差较大时， 方差小 的有偏估计也不失为一个好的估计。 三、相合估计 引例 假设掷一枚硬币， 出现正面的概率是 ， 出现反面的概率为 。 为了估计正面出 现的概率 ， 做 次独立重复试验， 即将硬币 反复掷 次， 令 由大数定律知， 试验次数 越多， 频率 越 频 率 稳定于（趋于）概率 。 接近于正面出现的概率 ， 时， 当样本容量变大 要求参数的估计量具有这种极限性质实际 上是对估计量的基本要求， 这就是下面要介绍 估计量的相合性(Consistency)准则。 定义4.8 任一估计序列， 相合估计。 (Consistent Estimate) 一般情形下证明估计的相合性可使用定义或大 数定律。 即大样本性质， 当样本容量有限时是无意义的。 例4.10 相合估计。 的一个简单样本， 证明 由例4.6知 的密度函数为 且 这样 下面的定理在证明估计的相合性时很有用。 定理4.5 相合估计。 且 证明 从而 这样 即就是 在Hardy-Weinberg模型中同位基因 之一发生频率 的三个频率替换估计为 又因为相应的函数 且由大数定律知 估计， 都是连续函数， 例如4.11 注： （1） 这里仅介绍（弱）相合性(依概率收敛)， 还有强相合性(依概率1收敛或几乎必然收 敛)就不涉及。 （2） 相合性本身不能说明估计达到某一可靠度 时，要求样本容量至少为多少。 （3） 对同一参数而言，满足相合性的估计也许 有多个。 （4） 在一定的条件下，可以证明频率替换估计， 矩估计，极大似然估计都是相合估计。 对于(3)，当存在多个相合估计时， 关于它们 的优劣往往可通过比较其渐近分布的渐近方差 的大小来进行， 定义4.9 都有 对任意实数 ， 最常用的渐近分布是正态分布。 简记为 列， ～ (Asymptotic Normality) 渐近正态性, 渐近正态估计， (Asymptotic normal Estimate) (Asymptotic Mean) 渐近均值， 渐近方差。 (Asymptotic Variance) 的 注意： 因满 足 和 的任 意序列 也能使定义的条件成立。 这说明渐近正态性并不能确定用 近似概率 达到某精度时样本容量 必须至少是多少。 一般情形下， 可取 对频率替换估计， 其中 在Hardy-Weinberg模型中, 例如4.12 都是相合估计， 频率替换估计 的三个 它们相应的函数为 究竟哪个最优呢？ 正态分布的方差。 比较其渐近 从而有 其中 比较这三个渐近方差， 可知 最小， 因此可 以认为 是 的较好估计， 实际上 是 的MLE。 注： 在一定的条件下，可以证明矩估计，极 大似然估计也具有渐近正态性。 第五讲 估计量的优良性准则（续） 一、一致最小方差无偏估计（续） 二、信息不等式 三、相合估计 一、一致最小方差无偏估计（续） 定理4.3(Lehmann-Scheffe) 无偏估计， UMVUE， 注： Lehmann-Scheffe定理实际上给出了两 种寻找UMVUE的方法， （1） （2） 但首先必须知 即寻找完全充分统 计量的函数使之成为 的无偏估计。 例4.5 样本。 解 首先求完全充分统计量。 由于 所以由 定理4.2可知完全充分统计量为 且是完全充分统计量 的函数， 知时， 的UMVUE为 。 故当 未 无论 是已知或未知， 注： 又 的函数， 例4.6 注： 解 由因子分解定理可知 它是充分统计量。 由于 下证它也是完全的。 这个只 又因为 UMVUE。 二、信息不等式 在上一节，我们知道如果UMVUE存在， 则它在无偏估计类中是最好的， 且其方差不可 能是零， 不是无偏估计。 因为参数 的方差为零的平凡估计 那么，现在的问题是： 对 的无偏估计类 ， （1） 既然无偏估计的方差不是零， 在一定的条件下， 一个下界