UMVUE değerini bul


10

İzin Vermek X1,X2,...,Xn pdf'ye sahip rastgele değişkenlerin olması

fX(xθ)=θ(1+x)(1+θ)I(0,)(x)

nerede θ>0. UMVUE değerini verin1θ ve varyansını hesaplayın

Elde edilen UMVUE'lara yönelik iki yöntem öğrendim:

  • Cramer-Rao Alt Sınırı (CRLB)
  • Lehmann-Scheffe Thereom

Ben ikisinin ilkini kullanarak bunu deneyeceğim. Burada neler olup bittiğini tam olarak anlamadığımı itiraf etmeliyim ve denenmiş çözümümü örnek bir problemden yola çıkıyorum. Bende varfX(xθ) , tam tek parametreli üstel bir ailedir

h(x)=I(0,), c(θ)=θ, w(θ)=(1+θ), t(x)=log(1+x)

Dan beri w(θ)=1 sıfır dışında Θ, CRLB sonucu geçerlidir. Sahibiz

log fX(xθ)=log(θ)(1+θ)log(1+x)

θlog fX(xθ)=1θlog(1+x)

2θ2log fX(xθ)=1θ2

yani

I1(θ)=E(1θ2)=1θ2

ve tarafsız tahmin edicileri için CRLB τ(θ) dır-dir

[τ(θ)]2nI1(θ)=θ2n[τ(θ)]2

Dan beri

i=1nt(Xi)=i=1nlog(1+Xi)

sonra herhangi bir doğrusal işlevi i=1nlog(1+Xi)veya eşdeğer olarak, 1ni=1nlog(1+Xi), CRLB'ye beklentisinden ulaşacak ve böylece beklentisinin bir UMVUE'su olacaktır. Dan beriE(log(1+X))=1θ sahip olduğumuz UMVUE 1θ dır-dir 1ni=1nlog(1+Xi)

Doğal bir parametrelendirme için η=(1+θ)θ=(η+1)

Sonra

Var(log(1+X))=ddη(1η+1)=1(η+1)2=1θ2

Bu geçerli bir çözüm müdür? Daha basit bir yaklaşım var mı? Bu yöntem yalnızcaE(t(x)) tahmin etmeye çalıştığınız şeye eşittir?


4
Pdf'nin tek parametreli üstel ailenin bir üyesi olduğunu gösterdiğiniz noktada, ailenin tam bir istatistiği olduğu hemen anlaşılmaktadır.
T(X1,,Xn)=i=1nln(1+Xi)
Dediğin gibi, E(T/n)=1θ, T/n UMVUE 1/θLehmann-Scheffe teoremi ile.
StubbornAtom

Yani sahip olduğum kısım w(θ)=1 sıfırdan farklı .....θ2n[τ(θ)]2"alakasız mı?
Remy

2
Pek sayılmaz; varyansıTCRLB kullanarak bulmak daha kolaydır. Bu nedenle, her iki soruyu bir anda çözmek için argümanınız yeterlidir.
StubbornAtom

Varyansı bu şekilde bulmak için, θ2n[τ(θ)]2=θ2n(1θ2)2=1nθ2? Peki, daha önce yanlış yaptım?
Remy

Evet, bu varyans T. Tam.
StubbornAtom

Yanıtlar:


8

Akıl yürütmeniz çoğunlukla doğrudur.

Numunenin eklem yoğunluğu (X1,X2,,Xn) dır-dir

fθ(x1,x2,,xn)=θn(i=1n(1+xi))1+θ1x1,x2,,xn>0,θ>0lnfθ(x1,x2,,xn)=nln(θ)(1+θ)i=1nln(1+xi)+ln(1min1inxi>0)θlnfθ(x1,x2,,xn)=nθi=1nln(1+xi)=n(i=1nln(1+xi)n1θ)

Böylece skor fonksiyonunu formda ifade ettik.

(1)θlnfθ(x1,x2,,xn)=k(θ)(T(x1,x2,,xn)1θ)

Cramér-Rao eşitsizliğinde eşitlik şartıdır.

Bunu doğrulamak zor değil

(2)E(T)=1ni=1nE(ln(1+Xi))=1/θ=1θ

itibaren (1) ve (2) bunu sonuçlandırabiliriz

  • İstatistik T(X1,X2,,Xn) tarafsız bir tahmin edicisidir 1/θ.
  • T Cramér-Rao eşitsizliğinin eşitlik koşulunu yerine getirir.

Bu iki gerçek birlikte T UMVUE 1/θ.

İkinci mermi aslında bize bu varyansın T için Cramér-Rao alt sınırına ulaşır 1/θ.

Gerçekten de, gösterdiğiniz gibi,

Eθ[2θ2lnfθ(X1)]=1θ2

Bu, tüm örnek için bilgi fonksiyonunun

I(θ)=nEθ[2θ2lnfθ(X1)]=nθ2

Böylece Cramér-Rao alt sınırı 1/θ ve dolayısıyla UMVUE'nun varyansı

Var(T)=[ddθ(1θ)]2I(θ)=1nθ2


Burada, bir dağılım ailesi için şunu söyleyen Cramér-Rao eşitsizliğinin bir sonucunu kullandık f parametreleyen θ (eğer CR eşitsizliğinin düzenlilik koşullarının geçerli olduğunu varsayarak) T tarafsız g(θ) bazı işlevler için g ve eğer CR eşitsizliğinde eşitlik koşulunu sağlıyorsa, yani

θlnfθ(x)=k(θ)(T(x)g(θ))
, sonra T UMVUE olmalı g(θ). Yani bu argüman her problemde işe yaramıyor.

Alternatif olarak, Lehmann-Scheffe teoremini kullanarak şunu söyleyebilirsiniz: T=1ni=1nln(1+Xi) UMVUE 1/θ tarafsız olduğu için 1/θve dağıtım ailesi için tam bir istatistiktir. oTtek parametreli üstel bir aile açısından numunenin eklem yoğunluğunun yapısından yeterince açık rekabet eder. Ancak varyansıT doğrudan bulmak biraz zor olabilir.


Ayrıca bir Tortalamasını bulmak için, varyans.
StubbornAtom
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.