Let çekilen rasgele numune olduğu popülasyonu burada .
UMVUE'yu arıyorum .
Ortak yoğunluğu olduğu
, burada ve .sa(x)=1
Burada , ve - ve bağımsızdır . Bu yüzden, Fisher-Neyman- factorisation teoreminden, iki boyutlu istatistik için yeterlidir \ theta .θ x 1 , ⋯ , x n T ( x ) = ( ∑ n i = 1 x i , ∑ n i = 1 x 2 i ) h θ T ( X ) = ( ∑ n i = 1 X i , ∑ n i = 1 X 2 i ) θ
Ancak, tam bir istatistik değildir. Bunun nedeni,
ve aynı sıfır değildir.
Ama biliyorum ki, yeterli düzeyde minimal bir istatistik.
Emin değilim ama bence bu kavisli üstel aile için tam bir istatistik olmayabilir. Öyleyse UMVUE'yu nasıl edinebilirim? Tam bir istatistik mevcut değilse, yeterli istatistiki bir işlev olan tarafsız bir tahminci ( bu durumda gibi ) UMVUE olabilir mi? (İlgili konu: Tarafsız bir tahmincinin UMVUE olması için gerekli koşul nedir? )
en iyi doğrusal yansız tahmincisini (MAVİ) düşünürsem ne olur ? MAVİ UMVUE olabilir mi?
I lineer yansız tahmin değerlendirdiğimizi varsayalım bölgesinin ve . Bildiğimiz için . Benim fikrim ı en aza indirgemek ki MAVİ olacaktı . O zaman theta'nın UMVUE'u olur mu?θ c ( n ) = √S2=1Eθ(cS)=θVar(T∗)T∗θT∗θ
ve dayalı doğrusal bir tarafsız tahminci aldım çünkü için de yeterlidir . S( ˉ X ,S2)θ
Düzenle:
Gerçekten bilindiği daha genel ailesindeki tahmininde çok fazla çalışma yapılmıştır . Aşağıdakiler en alakalı referanslardan bazılarıdır:N ( θ , a θ 2 ) a > 0
Gleser / Healy tarafından bilinen varyasyon katsayısı ile normal dağılımın ortalamasını tahmin etmek .
RA Khan tarafından bilinen varyasyon katsayısı ile normal dağılımın ortalamasını tahmin etme notu .
RA Khan tarafından Bilinen Varyasyon Katsayısı ile Normal Dağılım Ortalamasını Tahmin Etme Üzerine Bir Yorum .
Bu bölüm özü.
Casella / Berger'in İstatistiksel Çıkarımından bu çalışmada ilk olarak bu referansları buldum :
Benim sorum bu egzersizle ilgili değil.
Son not (bölüm özeti), yeterli telafi istatistikleri tam olmadığından theta'nın UMVUE değerinin mevcut olmadığını söylüyor . Tam bir yeterli istatistik bulunamadığından bir UMVUE'nun var olmamasını neyin mümkün kıldığını bilmek istiyorum ? Bununla ilgili herhangi bir sonuç var mı? Bağlantılı iş parçacığında tam yeterli istatistikler olmasa bile UMVUE'nun varlığını görüyorum.
Şimdi tekdüze bir minimum varyans yansız tahmin edicisinin olmadığını varsayarsak, 'en iyi' tahmin ediciyi seçmek için bir sonraki kriterlerimiz ne olmalı? Minimum MSE, minimum varyans veya MLE'yi mi arıyoruz? Yoksa kriter seçimi tahmin amacımıza mı bağlı?
Örneğin, tarafsız bir tahmincim ve başka bir önyargılı tahmincim olduğunu . Varsayalım ki (varyansı) MSE , daha fazla . Aynı anda hem de sapması gibi önyargı minimize MSE araçlarının minimize beri bence daha tahmincisi bir 'iyi' seçenek olmalıdır eski önyargılı olsa.T 2 θ T 1 T 2 T 2 T 1
tahmincilerinin olası seçenekleri son notun 4. sayfasında listelenmiştir.
Aşağıdaki alıntı Lehmann / Casella tarafından Nokta Tahmini Teorisi'nden alınmıştır (ikinci baskı, sayfa 87-88):
Her şeyi yanlış anlamam oldukça muhtemeldir, ancak son cümle belirli koşullar altında UMVUE'nun varlığı için tam istatistiğin varlığının gerekli olduğunu söylüyor mu? Eğer öyleyse, bakmam gereken sonuç bu mu?
En sonunda bahsedilen RR Bahadur'a bağlı bu son sonuç bu nota işaret ediyor .
Daha fazla araştırma yapıldığında, eğer yeterli asgari istatistik tam değilse, o zaman tam bir istatistik bulunmadığını belirten bir sonuç buldum. En azından burada tam bir istatistiğin bulunmadığına ikna oldum.
Dikkate almayı unuttuğum bir başka sonuç, kabaca tarafsız bir tahmin edicinin UMVUE olması için gerekli ve yeterli bir koşulun, sıfırın her tarafsız tahmincisi ile ilişkilendirilmemesi gerektiğidir. Burada bir UMVUE olmadığını ve gibi tarafsız bir tahmin edicinin UMVUE olmadığı gerçeğini göstermek için bu teoremi kullanmayı denedim . Ancak bu, örneğin burada , son çizimde olduğu gibi basit değildir .