Doğrusal modeller için BLUE (OLS çözümü) dışındaki diğer tarafsız tahmin ediciler


15

Doğrusal bir model için OLS çözümü, parametreler için en iyi doğrusal tarafsız tahmin ediciyi sağlar.

Tabii ki daha düşük varyans için bir önyargıda işlem yapabiliriz, örneğin sırt regresyonu. Ama sorum önyargısız olmakla ilgili. Biraz yaygın olarak kullanılan, tarafsız ancak OLS tahmini parametrelerinden daha yüksek bir varyansa sahip başka tahminciler var mı?

Çok büyük bir veri setim olsaydı, elbette alt örnekleyebilir ve daha az veri ile parametreleri tahmin edebilir ve varyansı artırabilirdim. Bunun varsayımsal olarak yararlı olabileceğini düşünüyorum.

Bu daha çok retorik bir soru, çünkü MAVİ tahmin edicileri okuduğumda daha kötü bir alternatif sunulmuyor. Daha kötü alternatifler sunmanın ayrıca insanların MAVİ tahmincilerin gücünü daha iyi anlamalarına yardımcı olabileceğini düşünüyorum.


Maksimum olabilirlik tahmincisi ne olacak? Örneğin, verilerinizin nispeten düşük serbestlik derecesi parametresine sahip bir dağılımından örneklendiğini düşünüyorsanız ( t ( 3 ) veya t ( 4 ) finansal getiri için karakteristik olabilir), maksimum olabilirlik tahmincisi OLS ile çakışmaz, ancak sanırım yine de tarafsız olacaktır. tt(3)t(4)
Richard Hardy


1
@RichardHardy, ben de beklediğiniz sonuçları ile MLE denedim.
Christoph Hanck

Yanıtlar:


19

Akla gelen bir örnek, Gauss-Markov varsayımları karşılandığında gerekli olmamakla birlikte (istatistikçinin durumun bilemeyebileceği ve dolayısıyla hala GLS'yi uyguladığı) gözlemleri farklı şekilde ağırlıklandıran bazı GLS tahmincisidir.

Örnekleme için bir sabit üzerinde yi , i=1,,n regresyonu durumunu düşünün (genel GLS tahmincilerini kolayca genelleştirir). Burada, {yi} nin ortalama μ ve varyans σ2 olan bir popülasyondan rastgele bir örnek olduğu varsayılmaktadır .

Sonra, EKK sadece olduğunu biliyoruz β = ˉ y , örnek ortalaması. Her bir gözlem ağırlık yüklü olduğunu vurgulamak için 1 / n , bu bilgileri β = N Σ i = 1 1β^=y¯1/n

β^=i=1n1nyi.
Bu çok iyi bilinmektedirVar(β^)=σ2/n.

Şimdi, şu şekilde yazılabilir bir tahmin edici dikkate

β~=i=1nwiyi,
ağırlıkları, örneğin olduğu bu iwi=1 . Bu, tahmin edicinin tarafsız olmasını sağlar, çünkü
E(i=1nwiyi)=i=1nwiE(yi)=i=1nwiμ=μ.
Tüm Laiiçinwi=1/n olmadığı sürece(bu durumda elbetteOLS'ye düşecektir) varyansı, OLG'ninkini aşacaktır,örneğin bir Lagrangian aracılığıyla gösterilebilir:i

L=V(β~)λ(iwi1)=iwi2σ2λ(iwi1),
wi2σ2wiλ=0iL/λ=0iwi1=0λwi=wjwi=1/n

Aşağıda, aşağıdaki kodla oluşturulan küçük bir simülasyondan grafik bir örnek verilmiştir:

yiIn log(s) : NaNs produced

resim açıklamasını buraya girin

wi=(1±ϵ)/n

Son üçünün OLS çözeltisi tarafından daha iyi performans göstermesi, BLUE özelliği tarafından hemen ima edilmez (en azından bana değil), çünkü lineer tahmin ediciler olup olmadığı açık değildir (ne MLE ve Huber'in tarafsız olup olmadığını da bilmiyorum).

library(MASS)
n <- 100      
reps <- 1e6

epsilon <- 0.5
w <- c(rep((1+epsilon)/n,n/2),rep((1-epsilon)/n,n/2))

ols <- weightedestimator <- lad <- mle.t4 <- huberest <- rep(NA,reps)

for (i in 1:reps)
{
  y <- rnorm(n)
  ols[i] <- mean(y)
  weightedestimator[i] <- crossprod(w,y)  
  lad[i] <- median(y)   
  mle.t4[i] <- fitdistr(y, "t", df=4)$estimate[1]
  huberest[i] <- huber(y)$mu
}

plot(density(ols), col="purple", lwd=3, main="Kernel-estimate of density of OLS and other estimators",xlab="")
lines(density(weightedestimator), col="lightblue2", lwd=3)     
lines(density(lad), col="salmon", lwd=3)     
lines(density(mle.t4), col="green", lwd=3)
lines(density(huberest), col="#949413", lwd=3)
abline(v=0,lty=2)
legend('topright', c("OLS","weighted","median", "MLE t, 4 df", "Huber"), col=c("purple","lightblue","salmon","green", "#949413"), lwd=3)

2
Temiz! Bence bu çok basit bir açıklayıcı örnek, geldiğimden biraz daha genel. İnsanlar sık ​​sık bir ortamda tahmin edicileri öğrenirken, bu tür örneklerin genellikle eksik olduğunu hissediyorum, gerçekten konsepti daha iyi kavramanıza yardımcı oluyorlar.
Gumeo

4
Başka bir olasılık da olduğu gibi bir kriteri en aza indirmeye dayanan (sağlam) tahminciler olacaktır.W=i=1nw(ei)eiww(0)=0

1
@kjetilbhalvorsen, şimdi de aslında oldukça iyi olan Huber tahmincisini de dahil ediyorum.
Christoph Hanck
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.