“Tarafsızlık” ne anlama geliyor?


21
  • "Varyans önyargılı bir tahmincidir" demek ne demek?
  • Önyargılı bir tahmini basit bir formülle tarafsız bir tahmine dönüştürmek ne anlama gelir? Bu dönüşüm tam olarak ne yapar?
  • Ayrıca, bu dönüşümün pratik kullanımı nedir? Belirli puanları kullanırken bu puanları dönüştürür müsünüz?

Yanıtlar:


22

Burada her şeyi bulabilirsiniz . Ancak, işte kısa bir cevap.

Let ve ortalama ve ilgi varyans olabilir; büyüklüğü örneğine dayanarak değerini tahmin etmek istiyorsanız .σ 2 σ 2 , nμσ2σ2n

Şimdi, şu tahmin ediciyi kullandığınızı söyleyelim:

S2=1ni=1n(XiX¯)2 ,

burada , tahmincisidir .μX¯=1ni=1nXiμ

olduğunu görmek çok zor değil (dipnota bakınız) .E[S2]=n1nσ2

Yana , tahmin eğimli olduğu söylenir.S 2E[S2]σ2S2

Ancak, olduğunu gözleyin . Bu nedenle , nin yansız bir tahmincisidir . ˜ S 2=nE[nn1S2]=σ2σ2S~2=nn1S2σ2

dipnot

yazarak başlayın ve ardından ürünü genişletin ...(XiX¯)2=((Xiμ)+(μX¯))2

Yorumlarınızın hesabını düzenleyin

Beklenen değeri does not vermek (ve dolayısıyla bastırılmaktadır), ancak dönüştürmek üzerinden bu döner içine beklenti yapar vermek böylece .σ 2 S 2 S 2 ˜ S 2 σ 2S2σ2S2S2S~2σ2

Uygulamada, bir çoğu ile çalışmak tercih yerine . Ancak, yeterince büyükse, olduğundan bu büyük bir sorun değildir .S2, n, nS~2S2nnn11

Not: Tarafsızlığın, tahmin ettiğiniz gibi değil, tahmin edeceğiniz bir tahminci olduğuna dikkat edin.


1
Teorik olarak daha fazlasını kastediyorum. Formülü herhangi bir kitapta bulabilirim, ancak kelimelerdeki açıklamalara daha çok ilgi duyuyorum. Sigmanın beklentisi tarafsızdır ve tahminleri beklentiye dönüştürebilir miyiz?
47'de

ayrıca bunun pratik yönleri hakkında soruyorum, bu dönüşümü analiz yaparken kullanıyor musunuz?
47'de

@ ocram nedir? Örneklem büyüklüğü mü? Veya alınan örnek sayısı? Ya da her ikisi de? n
Aralık'ta

@quirik: Varsayım, tek bir örnek alındığı ve bu örneğin n
ocram

@ocram Daha sonra bir örneğimiz varsa beklenen varyans değerini nasıl hesaplayabiliriz? Neyi kaçırıyorum?
Aralık'ta

6

Bu cevap ocramın cevabını netleştirir. için anahtar neden (ve genel yanlış anlaşılma) , verilerden tahmin edilen değerini kullanmasıdır.E[S2]σ2S2X¯

Eğer türetme ile çalışırsanız, bu tahmininin varyansının varyansının , tam olarak ek terimini verdiğini göreceksiniz.E[(X¯μ)2]σ2n


5

@Ocram'ın verdiği açıklama harika. O kelime söylediklerini açıklamak için: şu hesaplamayı eğer sadece bölerek (sezgisel olan), bizim tahmin gerçeğinden daha düşük olur. Telafi etmek için bölüyoruz .s2ns2n1

İşte bir alıştırma: 2 sonuçla ayrık bir olasılık oluşturun, Diyelim ki ve . Bu dağıtım için ve bulun . olduğunda, örnek ortalaması için ve hesaplayın . Tüm olası örneklerini hesapla . Bu örneklerde hesaplayın ve uygun frekansları uygulayın. P(2)=.25P(6)=.75μσμσn=3n=3s2

Bazen ellerini kirletmelisin.


yardımın için teşekkürler. Birkaç soru: Egzersizinizde: ne tür bir dağıtımdan bahsediyorsunuz Binomial? Kesikli bir olasılık yapmak derken ne demek istiyorsun? 2 ve 6'nın tüm olasılıklarını farklı örneklem büyüklüklerinde hesaplamak mı demek istiyorsun?
11'den itibaren

1

Genelde payda "n" kullanmak, tahmin etmek istediğimiz nüfus varyansından daha küçük değerler verir. Bu, özellikle küçük numuneler alınırsa olur. İstatistik dilinde, örneklem varyansının popülasyon varyansının “önyargılı” bir tahminini sunduğunu ve “tarafsız” yapılması gerektiğini söylüyoruz.

Bu video, sorunuzun her bölümünü yeterli şekilde yanıtlayacaktır.

https://www.youtube.com/watch?v=xslIhnquFoE

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.