Найти UMVUE из где


10

Пусть это случайные переменные, имеющие pdfX1,X2,...,Xn

fX(xθ)=θ(1+x)(1+θ)I(0,)(x)

где θ>0 . Задайте UMVUE для 1θ и вычислите его дисперсию

Я узнал о двух таких методах для полученных UMVUE:

  • Нижняя граница Крамера-Рао (CRLB)
  • Леманн-Шеффе Терем

Я собираюсь попробовать это, используя первый из двух. Я должен признать, что я не совсем понимаю, что здесь происходит, и я основываю свои попытки решения на примере проблемы. У меня есть, что fX(xθ) - это полное однопараметрическое экспоненциальное семейство с

h(x)=I(0,) ,c(θ)=θ ,w(θ)=(1+θ) ,t(x)=log(1+x)

Поскольку w(θ)=1 отлично от нуля на Θ , применяется результат CRLB. У нас есть

log fX(xθ)=log(θ)(1+θ)log(1+x)

θlog fX(xθ)=1θlog(1+x)

2θ2log fX(xθ)=1θ2

поэтому

I1(θ)=E(1θ2)=1θ2

и CRLB для непредвзятых оценок являетсяτ(θ)

[τ(θ)]2nI1(θ)=θ2n[τ(θ)]2

Так как

i=1nt(Xi)=i=1nlog(1+Xi)

тогда любая линейная функция или, что эквивалентно, любая линейная функция , достигнет CRLB своего ожидания и, таким образом, будет UMVUE его ожидания. Поскольку мы имеем, что UMVUE равноi=1nlog(1+Xi)1ni=1nlog(1+Xi)E(log(1+X))=1θ1θ1ni=1nlog(1+Xi)

Для естественной параметризации мы можем использоватьη=(1+θ)θ=(η+1)

затем

Var(log(1+X))=ddη(1η+1)=1(η+1)2=1θ2

Это правильное решение? Есть ли более простой подход? Этот метод работает только тогда, когда равен тому, что вы пытаетесь оценить?E(t(x))


4
В тот момент, когда вы показали, что pdf является членом однопараметрического экспоненциального семейства, сразу становится ясно, что полной достаточной статистикой для этого семейства является Поскольку, как вы говорите, , есть UMVUE для по теореме Лемана-Шеффе.
T(X1,,Xn)=i=1nln(1+Xi)
E(T/n)=1θT/n1/θ
StubbornAtom

Так что та часть, где у меня есть "Так как равна нулю ..... " не имеет значения? w(θ)=1θ2n[τ(θ)]2
Реми,

2
На самом деле, нет; дисперсию легче найти с помощью CRLB. Таким образом, чтобы решить оба вопроса одновременно, достаточно вашего аргумента. T
StubbornAtom

Чтобы найти дисперсию таким образом, я бы взял ? Значит, я раньше делал это неправильно? θ2n[τ(θ)]2=θ2n(1θ2)2=1nθ2
Реми

Да, это дисперсия . Точно. T
StubbornAtom

Ответы:


8

Ваши рассуждения в основном верны.

Плотность соединения образца составляет(X1,X2,,Xn)

fθ(x1,x2,,xn)=θn(i=1n(1+xi))1+θ1x1,x2,,xn>0,θ>0lnfθ(x1,x2,,xn)=nln(θ)(1+θ)i=1nln(1+xi)+ln(1min1inxi>0)θlnfθ(x1,x2,,xn)=nθi=1nln(1+xi)=n(i=1nln(1+xi)n1θ)

Таким образом, мы выразили функцию оценки в виде

(1)θlnfθ(x1,x2,,xn)=k(θ)(T(x1,x2,,xn)1θ)

, что является условием равенства в неравенстве Крамера-Рао.

Нетрудно проверить, что

(2)E(T)=1ni=1nE(ln(1+Xi))=1/θ=1θ

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[2θ2lnfθ(X1)]=1θ2

Это означает, что информационная функция для всей выборки имеет вид

I(θ)=nEθ[2θ2lnfθ(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=1ni=1nln(1+Xi)1/θ1/θTT


Можно также использовать распределение чтобы найти его среднее значение, дисперсию. T
StubbornAtom
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.