Пусть X̄ — среднее по выборке. Рассмотрим точечную оценку θ_hat_n = X̄ + 1/n для параметра θ = E[X]. Как корректно описать её свойства?
AОна строго несмещённая и строго
состоятельностьBОна несмещённая, но не
состоятельность, потому что добавка 1/n мешаетCОна не несмещённая и не
состоятельность, потому что есть добавкаDОна смещённая на
1/n, но bias стремится к 0, поэтому состоятельность сохраняетсяПравильный ответ. Оценка может быть смещённой при конечном
n, но всё равно быть состоятельность, если bias убывает к 0.Разбор
Добавка 1/n даёт E[θ_hat_n]=θ+1/n, то есть есть bias. Но при росте n этот bias исчезает, и поведение становится почти как у X̄, которая обычно состоятельна. Поэтому θ_hat_n можно считать состоятельной, хотя она не является строго несмещённой на конечных выборках. Ошибка — думать, что любое смещение автоматически ломает свойства на больших выборках.
Проверь себя · 1/3разбор после ответа
Почему на практике
MLE часто реализуют как максимизацию log L(θ) вместо L(θ)?Ещё вопросы по теме «Точечные оценки и MLE»
- Вы оцениваете вероятность конверсии `p` по выборке: из 100 пользователей 56 оплатили. Что является точечной оценкой параметра `p`?
- Что означает свойство `несмещённость` для оценки `θ_hat` параметра `θ`?
- Как лучше всего описать `состоятельность` последовательности оценок `θ_hat_n`?
- Есть две оценки одного параметра: `θ_hat_A` несмещённая, но с высокой `variance`; `θ_hat_B` слегка смещённая, но с низкой `variance`. По какому критерию можно оправданно выбрать `θ_hat_B` как более полезную точечную оценку?
- Две оценки параметра `θ` обе имеют свойство несмещённости. У `θ_hat_A` дисперсия меньше, чем у `θ_hat_B` на том же размере выборки. Что можно сказать про эффективность (интуитивно)?
- Все вопросы по «Точечные оценки и MLE» →