Tarafsızlık mutlaka kendi başına önemli değildir.
Çok sınırlı bir koşul kümesinin yanı sıra, en faydalı tahmin ediciler önyargılıdır, ancak elde edilirler.
Eğer iki tahminci aynı varyansa sahipse, tarafsız bir kişiyi tarafsız bir kişiye tercih etmek için kolayca bir argüman kurabilir, ancak bu, içinde olması olağandışı bir durumdur (yani, makul olarak tarafsızlığı tercih edebilirsiniz, ceteris paribus - ama bu sinir bozucu ceteris neredeyse hiçbir zaman paribus değildir ).
Daha genel olarak, tarafsızlığı istiyorsanız, onu elde etmek için bazı değişiklikler ekleyeceksiniz ve o zaman soru neden bunu yapardınız ?
Önyargı, tahmin edicimin beklenen değerinin ortalama olarak çok yüksek olacağı (negatif önyargı çok düşük).
Küçük bir örnek tahmincisi göz önüne alındığında, bunu gerçekten umursamıyorum. Tahmin edicimin bu durumda ne kadar yanlış olacağına genellikle daha fazla ilgi duyuyorum - sağdan tipik mesafem ... bir kök-ortalama-kare hatası veya ortalama bir mutlak hata gibi bir şey daha anlamlı olur.
Bu nedenle, düşük varyans ve düşük önyargıdan hoşlanıyorsanız, minimum ortalama kare hata tahmincisi demek istemek mantıklı olacaktır; bunlar çok nadiren tarafsızdır.
Önyargı ve tarafsızlık, farkında olmak için faydalı bir kavramdır, ancak tahmin edicileri yalnızca aynı varyansla kıyaslamadıkça aramak, özellikle yararlı bir özellik değildir.
ML tahmin edicileri düşük varyans olma eğilimindedir; genellikle minimum MSE değildirler, ancak genellikle tarafsız olmalarını değiştirmekten daha düşük MSE'ye sahiptirler (ne zaman yapabilirsin).
σ^2MMSE= S2n + 1, σ^2MLE= S2n, σ^2unb= S2n - 1n - 1