По (слабому / сильному) закону больших чисел, учитывая некоторые точки выборки iid распределения, их выборка означает сходится к среднему значению распределения как по вероятности, так и как размер выборки уходит в бесконечность.
Когда размер выборки фиксирован, мне интересно, является ли оценка LLN оценкой в некотором смысле лучшей? Например,
- его ожидание - это среднее значение распределения, поэтому оно является объективной оценкой. Его дисперсия где - дисперсия распределения. Но это УМВУ?
есть ли какая-нибудь функция такая, что решить проблему минимизации:
Другими словами, является наилучшей функцией контраста в рамках минимальной контрастности (см. Раздел 2.1 «Базовые эвристики оценки» в « Математической статистике: основные идеи и избранные темы, том 1 » Бикла и Доксума).
Например, если известно, что распределение ограничено из семейства гауссовых распределений, то среднее значение выборки будет оценкой MLE среднего распределения, а MLE относится к минимальному контрастному каркасу, а его функция контрастности минус логарифмическая вероятность функция.
есть ли некоторая функция такая, что решает проблему минимизации: для любого распределения из в некотором семействе распределений?f ∗ f ∗ = argmin fP x i F
Другими словами, является лучшим по отношению к некоторой потерянной функции и некоторому семейству распределений в теоретической структуре решения (см. Раздел 1.3 «Теоретическая структура решения» в « Математической статистике: основные идеи и отдельные темы, том 1 »). Bickle и Doksum). l F
Обратите внимание, что выше приведены три разные интерпретации для «наилучшей» оценки, которую я знаю до сих пор. Если вы знаете о других возможных интерпретациях, которые могут относиться к оценщику LLN, пожалуйста, не стесняйтесь упомянуть об этом.