Ожидаемое значение медианы выборки, учитывая среднее значение выборки


16

Пусть обозначает медиану, а обозначает среднее случайной выборки размером из распределения . Как я могу вычислить ?Y ˉ X n = 2 k + 1 N ( μ , σ 2 ) E ( Y | ˉ X = ˉ x )YX¯n=2k+1N(μ,σ2)E(Y|X¯=x¯)

Интуитивно понятно, что из предположения о нормальности имеет смысл утверждать, что и это действительно правильный ответ. Может ли это быть строго показано, хотя?E ( Y | ˉ X = ˉ x ) = ˉ xE(Y|X¯=x¯)=x¯

Моя первоначальная мысль состояла в том, чтобы подойти к этой проблеме, используя условное нормальное распределение, которое обычно является известным результатом. Проблема в том, что, поскольку я не знаю ожидаемого значения и, следовательно, дисперсии медианы, мне придется вычислять те, которые используют статистику к + 1k+1 го порядка. Но это очень сложно, и я бы предпочел не идти туда, если мне это абсолютно не нужно.


2
Я считаю, что это является непосредственным следствием обобщения, которое я только что опубликовал на stats.stackexchange.com/a/83887 . Распределение невязок явно симметрично относительно , откуда их медиана имеет симметричное распределение, поэтому его среднее значение равно нулю. Поэтому ожидание самой медианы (а не только остатков) равно , QED. x i - ˉ x 0 0 + E ( ˉ X | ˉ X = ˉ x ) = ˉ xxix¯0  0+E(X¯ | X¯=x¯)=x¯
whuber

@whuber Извините, остатки?
JohnK

Я определил их в своем комментарии: они - различия между каждым и их средним значением. х яxi
whuber

@whuber Нет, я понимаю, но я все еще работаю над пониманием того, как ваш другой ответ относится к моему вопросу и как именно ожидание, которое вы использовали, работает.
JohnK

2
@whuber Хорошо, тогда, пожалуйста, поправьте меня. Если я не прав, А теперь второй член равен нулю, потому что медиана симметрична относительно . Следовательно, ожидание уменьшается доE(Y|ˉX)=E(ˉX|ˉX)+E(YˉX|ˉX)E(Y|X¯)=E(X¯|X¯)+E(YX¯|X¯)ˉxx¯ˉxx¯
JohnK 30.01.14

Ответы:


7

Пусть обозначают исходный образец и случайный вектор с элементами . Тогда является нормальным центрированием (но его записи не являются независимыми, как видно из того факта, что их сумма равна нулю с полной вероятностью). Как линейный функционал , вектор является нормальным , следовательно , вычисление его ковариационной матрицы достаточно показать , что не зависит от .XXZZZk=XkˉXZk=XkX¯ZZXX(Z,ˉX)(Z,X¯)ZZˉXX¯

Обращаясь к , можно видеть , что , где является медианой . В частности, зависит от только потому, что не зависит от , а распределение симметрично, поэтому центрирована.YYY=ˉX+TY=X¯+TTTZZTTZZTTˉXX¯ZZTT

Наконец,E(YˉX)=ˉX+E(TˉX)=ˉX+E(T)=ˉX.

E(YX¯)=X¯+E(TX¯)=X¯+E(T)=X¯.

Спасибо, об этом спросили почти год назад, и я очень рад, что кто-то наконец-то это прояснил.
JohnK

7

Медиана выборки является статистикой порядка и имеет ненормальное распределение, поэтому совместное распределение конечной выборки медианы выборки и среднего значения выборки (которое имеет нормальное распределение) не будет бивариантным нормальным. Приближаясь к приближениям, асимптотически справедливо следующее (см. Мой ответ здесь ):

n [ ( ˉ X n Y n ) - ( μ v ) ] LN [ ( 0 0 ) , Σ ]

n[(X¯nYn)(μv)]LN[(00),Σ]

с

Σ = ( σ 2 E ( | X - v | ) [ 2 f ( v ) ] - 1 E ( | X - v | ) [ 2 f ( v ) ] - 1 [ 2 f ( v ) ] - 2 )

Σ=(σ2E(|Xv|)[2f(v)]1E(|Xv|)[2f(v)]1[2f(v)]2)

где ˉ Х п является выборочное среднее и ц среднее популяции, У п является образцом Медиана и v медиана населения, F ( ) есть плотность вероятности случайных величин , участвующих и σ 2 является дисперсией. X¯nμYnvf()σ2

Таким образом, примерно для больших выборок их совместное распределение является двумерным нормальным, поэтому мы имеем

Е ( У п | ˉ Х п = ˉ х ) = v + р сг vσ ˉ X ( ˉ x -μ)

E(YnX¯n=x¯)=v+ρσvσX¯(x¯μ)

где ρ - коэффициент корреляции.ρ

Манипулируя асимптотическим распределением, чтобы оно стало приближенным распределением для большой выборки среднего значения выборки и медианы выборки (а не стандартизированных величин), мы имеем ρ = 1n E(|X-v|)[2f(v)]-11n σ[2f(v)]-1=E(|X-v|)σ

ρ=1nE(|Xv|)[2f(v)]11nσ[2f(v)]1=E(|Xv|)σ

Таким образом , E ( Y п | ˉ X п = ˉ х ) = v + E ( | X - v | )σ [ 2 f ( v ) ] - 1σ ( ˉ x -μ)

E(YnX¯n=x¯)=v+E(|Xv|)σ[2f(v)]1σ(x¯μ)

Мы имеем, что 2 f ( v ) = 2 / σ 2 π из-за симметрии нормальной плотности, поэтому мы приходим к2f(v)=2/σ2π

E(YnˉXn=ˉx)=v+π2E(|Xμσ|)(ˉxμ)

E(YnX¯n=x¯)=v+π2E(Xμσ)(x¯μ)

where we have used v=μv=μ. Now the standardized variable is a standard normal, so its absolute value is a half-normal distribution with expected value equal to 2/π2/π (since the underlying variance is unity). So

E(YnˉXn=ˉx)=v+π22π(ˉxμ)=v+ˉxμ=ˉx

E(YnX¯n=x¯)=v+π22π(x¯μ)=v+x¯μ=x¯

2
As always, nice answer +1. However, since we have no information about the sample size, the asymptotic distribution might not hold. If there is no way to obtain the exact distribution though, I suppose I'll have to make do. Thank you very much.
JohnK

6

The answer is ˉxx¯.

Let x=(x1,x2,,xn)x=(x1,x2,,xn) have a multivariate distribution FF for which all the marginals are symmetric about a common value μμ. (It does not matter whether they are independent or even are identically distributed.) Define ˉxx¯ to be the arithmetic mean of the xi,xi, ˉx=(x1+x2++xn)/nx¯=(x1+x2++xn)/n and write xˉx=(x1ˉx,x2ˉx,,xnˉx)xx¯=(x1x¯,x2x¯,,xnx¯) for the vector of residuals. The symmetry assumption on FF implies the distribution of xˉxxx¯ is symmetric about 00; that is, when ERnERn is any event,

PrF(xˉxE)=PrF(xˉxE).

PrF(xx¯E)=PrF(xx¯E).

Applying the generalized result at /stats//a/83887 shows that the median of xˉxxx¯ has a symmetric distribution about 00. Assuming its expectation exists (which is certainly the case when the marginal distributions of the xixi are Normal), that expectation has to be 00 (because the symmetry implies it equals its own negative).

Now since subtracting the same value ˉxx¯ from each of a set of values does not change their order, YY (the median of the xixi) equals ˉxx¯ plus the median of xˉxxx¯. Consequently its expectation conditional on ˉxx¯ equals the expectation of xˉxxx¯ conditional on ˉxx¯, plus E(ˉx | ˉx)E(x¯ | x¯). The latter obviously is ˉxx¯ whereas the former is 00 because the unconditional expectation is 00. Their sum is ˉx,x¯, QED.


Thank you for posting it as a full answer. I now understand the essence of your argument but I might ping you if something is still unclear.
JohnK

5
JohnK, I need to alert you to be cautious. A counterexample to this argument has been brought to my attention. I have encouraged its originator to post it here for further discussion, but briefly it concerns a discrete bivariate distribution with symmetric marginals but asymmetric conditional marginals. Its existence points to a flawed deduction early in my argument. I currently hope that the argument might be rescued by imposing stronger conditions on the xixi, but my attention is presently focused elsewhere and I might not get to think about this for awhile.
whuber

4
In the meantime I would encourage you to unaccept this answer. I would ordinarily delete any answer of mine known to be incorrect, but (as you might be able to tell) I like solutions based on first principles rather than detailed calculations, so I hope this argument can be rescued. I therefore intend to leave it open for criticism and improvement (and therefore made it CW); let the votes fall as they may.
whuber

Of course, thanks for letting me know. We will discuss it further when you have time. In the meantime I will settle for the asymptotic argument proposed by @Alecos Papadopoulos.
JohnK

6

This is simpler than the above answers make it. The sample mean is a complete and sufficient statistic (when the variance is known, but our results do not depend on the variance, hence will be valid also in the situation when the variance is unknown). Then the Rao-Blackwell together with the Lehmann-Scheffe theorems (see wikipedia ...) will imply that the conditional expectation of the median, given the arithmetic mean, is the unique minimum variance unbiased estimator of the expectation μ. But we know that is the arithmetic mean, hence the result follows.

We did also use that the median is an unbiased estimator, which follows from symmetry.


1
By symmetry E[Y]=μ, indeed. Then from these two theorems we know that E[Y|ˉX] is the Unique Minimum Variance Unbiased Estimator for μ which we already know to be equal to ˉX. This is a brilliant answer, thank you very much. I would have marked it as the correct one, had I not done that already for another answer.
JohnK
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.