Мне задали этот вопрос на днях, и я никогда не рассматривал его раньше.
Моя интуиция исходит из преимуществ каждого оценщика. Максимальная вероятность, предпочтительно, когда мы уверены в процессе генерирования данных, потому что, в отличие от метода моментов, он использует знания всего распределения. Поскольку оценки MoM используют только информацию, содержащуюся в моментах, кажется, что оба метода должны давать одинаковые оценки, когда достаточная статистика для параметра, который мы пытаемся оценить, является именно моментами данных.
Я проверил этот результат с несколькими раздачами. Нормальная (неизвестное среднее и дисперсия), экспоненциальная и пуассоновская имеют достаточную статистику, равную их моментам, и имеют одинаковые оценки MLE и MoM (не совсем верно для таких вещей, как Пуассон, где имеется несколько оценок MoM). Если мы посмотрим на Uniform , достаточной статистикой для будет а оценки MoM и MLE различны.
Я подумал, что, возможно, это была причуда экспоненциального семейства, но для Лапласа с известным средним достаточной статистикой является и MLE и оценщик MoM для дисперсии не равны.
Я до сих пор не смог показать какой-либо результат в целом. Кто-нибудь знает об общих условиях? Или даже встречный пример поможет мне уточнить мою интуицию.