В метрике дохода есть редкие огромные значения (выбросы). Вам нужна стабильная точечная оценка «типичного» пользователя для мониторинга эффекта изменения цены. Какое решение наиболее разумно?
AИспользовать обычное среднее без модификаций: оно несмещённое и универсально подходит для любого распределения метрики
BУдалять большие значения вручную без зафиксированного правила: подход обеспечит чистую и интерпретируемую картину мониторинга
CПрименять оценку максимального правдоподобия для нормальной модели: подход даёт оптимальное значение даже для тяжёлых хвостов
DИспользовать робастную оценку (медиану или усечённое среднее): возможно небольшое смещение, но меньше дисперсия и устойчивость
Правильный ответ. Робастная оценка может снизить шум и сделать мониторинг устойчивее, даже ценой небольшого смещения.
Разбор
Распределения дохода и выручки имеют тяжёлые хвосты, и обычное среднее на таких данных нестабильно: одно крупное значение сдвигает оценку на десятки процентов и шумит мониторинг. Робастные оценки — медиана или усечённое среднее (например, среднее без верхних 5% и нижних 5%) — жертвуют небольшим смещением, но кратно снижают дисперсию и устойчивы к выбросам. Удаление выбросов «вручную» без правила превращает оценку в субъективную. MLE для нормальной модели даёт обычное среднее, что не решает проблему тяжёлого хвоста.
Проверь себя · 1/3разбор после ответа
Есть две оценки одного параметра:
θ_hat_A несмещённая, но с высокой дисперсией; θ_hat_B слегка смещённая, но с низкой дисперсией. По какому критерию можно оправданно выбрать θ_hat_B как более полезную точечную оценку?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 несмещённости 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 дисперсией; `θ_hat_B` слегка смещённая, но с низкой дисперсией. По какому критерию можно оправданно выбрать `θ_hat_B` как более полезную точечную оценку?
- Две оценки параметра `θ` обе обладают свойством 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» →