Medyan-tarafsız bir tahminci ortalama mutlak sapmayı en aza indirir mi?

Bu bir takip değil, aynı zamanda farklı bir sorudur benim öncekinden .

Wikipedia'da " Medyan-tarafsız bir tahmin edicinin, Laplace'ın gözlemlediği gibi, mutlak sapma kaybı fonksiyonu ile ilgili riski en aza indirdiğini " okudum . Ancak, Monte Carlo simülasyon sonuçlarım bu argümanı desteklemiyor.

Bir günlük normal popülasyon, , burada, ve günlük ortalama ve log-sd,$X_1,X_2,...,X_N \sim \mbox{LN}(\mu,\sigma^2)$$\mu$$\sigma$$\beta = \exp(\mu)=50$

Geometrik ortalama tahmincisi, medyan popülasyonu için medyan-tarafsız bir tahmin edicidir ,$\exp(\mu)$

$\hat{\beta}_{\mbox{GM}}= \exp(\hat{\mu})= \exp{(\sum\frac{\log(X_i)}{N})} \sim \mbox{LN}(\mu,\sigma^2/N)$ , ve günlük ortalama ve log-sd, ve ve için MLE'lerdir .$\mu$$\sigma$$\hat\mu$$\hat\sigma$$\mu$$\sigma$

Düzeltilmiş bir geometrik ortalama tahmincisi popülasyon medyanı için ortalama bir tarafsız tahmin edicidir.

$\hat{\beta}_{\mbox{CG}}= \exp(\hat{\mu}-\hat\sigma^2/2N)$

5 boyutlu örnekleri tekrar tekrar LN'den üretiyorum . Çoğaltma numarası 10.000'dir. Aldığım ortalama mutlak sapmalar geometrik ortalama tahmincisi için 25,14 ve düzeltilmiş geometrik ortalama için 22,92'dir. Neden?$(\log(50),\sqrt{\log(1+2^2)})$

BTW, tahmini ortalama mutlak sapmalar geometrik ortalama için 18.18 ve düzeltilmiş geometrik ortalama tahmincisi için 18.58'dir.

Kullandığım R betiği burada:

#```{r stackexchange}
#' Calculate the geomean to estimate the lognormal median.
#'
#' This function Calculate the geomean to estimate the lognormal
#' median.
#'
#' @param x a vector.
require(plyr)
GM <- function(x){
    exp(mean(log(x)))
}
#' Calculate the bias corrected geomean to estimate the lognormal
#' median.
#'
#' This function Calculate the bias corrected geomean using the
#' variance of the log of the samples, i.e., $\hat\sigma^2=1/(n-1)
# \Sigma_i(\Log(X_i)-\hat\mu)^2$
#'
#' @param x a vector.
BCGM <- function(x){
y <- log(x)
exp(mean(y)-var(y)/(2*length(y)))
}
#' Calculate the bias corrected geomean to estimate the lognormal
#' median.
#'
#' This function Calculate the bias corrected geomean using
#' $\hat\sigma^2=1/(n)\Sigma_i(\Log(X_i)-\hat\mu)^2$
#'
#' @param x a vector.
CG <- function(x){
y <- log(x)
exp(mean(y)-var(y)/(2*length(y))*(length(y)-1)/length(y))
}

############################

simln <- function(n,mu,sigma,CI=FALSE)
{
    X <- rlnorm(n,mu,sigma)
    Y <- 1/X
    gm <- GM(X)
    cg <- CG(X)
    ##gmk <- log(2)/GM(log(2)*Y) #the same as GM(X)
    ##cgk <- log(2)/CG(log(2)*Y)
    cgk <- 1/CG(Y)
    sm <- median(X)
    if(CI==TRUE) ci <- calCI(X)
    ##bcgm <- BCGM(X)
    ##return(c(gm,cg,bcgm))
    if(CI==FALSE) return(c(GM=gm,CG=cg,CGK=cgk,SM=sm)) else return(c(GM=gm,CG=cg,CGK=cgk,CI=ci[3],SM=sm))
}
cv <-2
mcN <-10000
res <- sapply(1:mcN,function(i){simln(n=5,mu=log(50),sigma=sqrt(log(1+cv^2)), CI=FALSE)})
sumres.mad <- apply(res,1,function(x) mean(abs(x-50)))
sumres.medad <- apply(res,1,function(x) median(abs(x-50)))
sumres.mse <- apply(res,1,function(x) mean((x-50)^2))
#```

#```{r eval=FALSE}
#> sumres.mad
      GM       CG      CGK       SM 
#25.14202 22.91564 29.65724 31.49275 
#> sumres.mse
      GM       CG      CGK       SM 
#1368.209 1031.478 2051.540 2407.218 
#```

Ölçüt tarafından bir tahminci seçersek , beklenen mutlak hatayı gerçek değerden en aza indirir$\alpha^+$$\alpha$

$E=<|\alpha^+-\alpha|> = \int_{-\infty}^{\alpha^+} (\alpha^+-\alpha)f(\alpha) \mathrm{d}\alpha + \int^{\infty}_{\alpha^+} (\alpha-\alpha^+)f(\alpha)\mathrm{d}\alpha$

ihtiyacımız var

$\frac{dE}{d\alpha^+} = \int_{-\infty}^{\alpha^+} f(\alpha) \mathrm{d}\alpha - \int^{\infty}_{\alpha^+} f(\alpha) \mathrm{d}\alpha = 0$

eşdeğerdir . Yani , 1774'te Laplace'ı takip eden medyan olarak gösterilmiştir.$P(\alpha > \alpha^+) = 1/2$$\alpha^+$

R ile ilgili sorun yaşıyorsanız, lütfen Stack Overflow ile ilgili başka bir soruda sorun