Ваши рассуждения в основном верны.
Плотность соединения образца составляет(X1,X2,…,Xn)
fθ(x1,x2,…,xn)⟹lnfθ(x1,x2,…,xn)⟹∂∂θlnfθ(x1,x2,…,xn)=θn(∏ni=1(1+xi))1+θ1x1,x2,…,xn>0,θ>0=nln(θ)−(1+θ)∑i=1nln(1+xi)+ln(1min1≤i≤nxi>0)=nθ−∑i=1nln(1+xi)=−n(∑ni=1ln(1+xi)n−1θ)
Таким образом, мы выразили функцию оценки в виде
∂∂θlnfθ(x1,x2,…,xn)=k(θ)(T(x1,x2,…,xn)−1θ)(1)
, что является условием равенства в неравенстве Крамера-Рао.
Нетрудно проверить, чтоE(T)=1n∑i=1nE(ln(1+Xi))=1/θ=1θ(2)
Из и можно сделать вывод, что(1)(2)
- Статистика является несмещенной оценкой .T(X1,X2,…,Xn)1/θ
- T удовлетворяет условию равенства неравенства Крамера-Рао.
Эти два факта вместе означают, что - это UMVUE .T1/θ
Вторая пуля фактически говорит нам, что дисперсия достигает нижней границы Крамера-Рао для .T1/θ
В самом деле, как вы показали,
Eθ[∂2∂θ2lnfθ(X1)]=−1θ2
Это означает, что информационная функция для всей выборки имеет видI(θ)=−nEθ[∂2∂θ2lnfθ(X1)]=nθ2
Таким образом, нижняя граница Крамера-Рао для и, следовательно, дисперсия UMVUE равна1/θ
Var(T)=[ddθ(1θ)]2I(θ)=1nθ2
Здесь мы воспользовались следствием неравенства Крамера-Рао, которое говорит, что для семейства распределений параметризовано (при условии выполнения условий регулярности неравенства CR), если статистика несмещена для для некоторая функция и если она удовлетворяет условию равенства в неравенстве CR, а именно: , тогда должно быть UMVUE для . Так что этот аргумент не работает в каждой проблеме.fθTg(θ)g∂∂θlnfθ(x)=k(θ)(T(x)−g(θ))
Tg(θ)
В качестве альтернативы, используя теорему Лемана-Шеффе, можно сказать, что - это UMVUE так как несмещен для и является полной статистикой, достаточной для семейства распределений. То, что достаточно конкурентен, ясно из структуры плотности соединения образца в терминах однопараметрического экспоненциального семейства. Но дисперсия может быть немного сложно найти напрямую.T=1n∑ni=1ln(1+Xi)1/θ1/θTT