参数估计
作者：互联网
目录
- 1 点估计的概念与无偏性
- 2 矩估计及相合性
- 3 最大似然估计与EM算法
- 4 最小方差无偏估计
- 5 有限总体的抽样分布
- 6 区间估计
点估计的概念与无偏性
- 点估计：设\(x_1,x_2,x_3...x_n\)是来自总体的一个样本，则用于估计未知参数的估计量\(\hat \theta=\hat \theta(x_1,x_2...x_n)\)称为统计量\(\theta\)的点估计。
例如，样本平均值是总体均值的点估计，样本方差是总体方差的点估计。
- 无偏性：
- 渐近无偏估计：
- 有效性：设\(\hat \theta_1，\hat \theta_2\)都是\(\theta\)的无偏估计，若对于任意样本，
且至少存在一组样本使不等号严格成立，则称\(\hat \theta_1\)比\(\hat \theta_2\)有效。
矩估计及相合性
-
矩估计：用样本矩（如均值方差等）估计未知变量的方法。
-
相合性：\(\theta\)为未知参数，\(\hat \theta\)是\(\theta\)的一个估计量，\(n\)是样本容量，弱对于任意的\(\epsilon>0\)，有
则称\(\hat\theta\)是\(\theta\)的一个相合估计。
- 定理：设\(\hat\theta\)是\(\theta\)的一个估计量，若
则\(\hat\theta\)是\(\theta\)的一个相合估计。
- 定理：若\(\hat\theta_1，\hat\theta_2，\hat\theta_3...\hat\theta_k\)是\(\theta_1，\theta_2，\theta_3...\theta_k\)的相合估计，\(\eta=\eta(\theta_1,\theta_2...\theta_k)\)是连续函数，则\(\hat\eta=\hat\eta(\hat\theta_1，\hat\theta_2，\hat\theta_3...\hat\theta_k)\)是\(\eta\)的相合估计
相合性被认为是估计量的一个基本要求。
最大似然估计与EM算法
最大似然估计（MLE，maximum likelihood estimation）
- 最大似然估计：设总体的概率密度函数为\(f(x;\theta)\)，\(\theta\)为未知参数，样本的联合概率密度函数
称为样本的似然函数，对于统计量\(\hat\theta\)满足
\[L(\hat\theta)=max L(\theta) \]称\(\hat\theta\)是\(\theta\)的最大似然估计。
最大似然估计基于这样一个想法：在一次抽样中获得该组数据的概率应当是最大的，因此，取使得联合概率最大的\(\hat\theta\)为\(\theta\)的估计值。
EM算法（Expectation-maximization algorithm）
- EM算法流程
输入：观察数据 \(x=(x_1,x_2,…x_n)\)，联合分布$ p(x,z|\theta)$，条件分布 \(p(z|x,\theta)\)， 极大迭代次数 J。
-
随机初始化模型参数\(\theta\)的初值\(\theta_0\)
-
\(for\space j \space in \space range(1,J+1)\)：
-
a) E步：计算联合分布的条件概率期望：
\[Q_i(z^{(i)}) = P( z^{(i)}|x^{(i)}，\theta) \] -
b) M步：极大化 \(L(\theta)\),得到 \(\theta\):
\[\theta = arg \max \limits_{\theta}\sum\limits_{i=1}^m\sum\limits_{z^{(i)}}Q_i(z^{(i)})log{P(x^{(i)}， z^{(i)}|\theta)} \] -
c) 重复E、M步骤直到\(\theta\)收敛
输出：模型参数\(\theta\)
EM算法针对含有隐含分布的数据，可以看作最大似然估计的一种计算方法，详细见其它文章。
最小方差无偏估计
均方误差（MSE，mean square error）
相合性是大样本下评价估计好坏的一个重要标准，小样本下使用均方误差。
\[MSE(\hat \theta)=E(\hat\theta-\theta)^2 \]注意到
\[\begin{split}MSE(\hat\theta)&=E(\hat\theta-E\hat\theta+E\hat\theta-\theta)^2\\&=E(\hat\theta-E\hat\theta)^2+(E\hat\theta-\theta)^2+2E(\hat\theta-E\hat\theta)(E\hat\theta-\theta)\\&=D(\hat\theta)+(E\hat\theta-\theta)^2\end{split} \]因此，MSE由点估计的方差和偏差平方两部分组成。
最小方差无偏估计
对于参数估计问题，设\(\hat\theta\)是\(\theta\)的一个无偏估计，对于任意的一个\(\theta\)的无偏估计\(\widetilde{\theta}\)，若有
\[D(\hat\theta)\leq D(\widetilde{\theta}) \]则称\(\hat\theta\)是\(\theta\)的一致最小方差无偏估计，记为UMVUE(Uniformly Minimum-Variance Unbiased Estimator)
有限总体的抽样分布
对于无限总体，或有放回的抽样，由中心极限定理可知，当样本容量\(n\)较大时，有随机变量\(X\sim N(\mu,\frac {\sigma^2}{n})\)，当总体有限，并且抽样为无放回抽样时，各样本不满足独立同分布的要求，因此，不服从上述分布，均值、方差与上述计算方法不同。
比率p的抽样分布
考虑以下有限总体的场景，总体容量为\(N\)，其中事件\(A\)的个体数为\(M\)，样本容量为\(n\)，其中事件\(A\)的个体数为\(m\)，总体中事件A发生的概率为\(p=\frac MN\)，样本中，事件\(A\)的比率为\(\widehat p=\frac mn\)，则\(\widehat p\)是\(p\)的点估计。
有放回抽样
当抽样为有放回抽样时，显然有
\[A\sim B(n,p) \]\[EA=np \]\[DA =np(1-p) \]证明见https://www.cnblogs.com/lifz-ml/p/15105108.html 常用离散分布
显然有
\[E\widehat p=E(\frac mn)=\frac {Em}n=p \]\[D\widehat p=\frac{Dm}{n^2}=\frac{p(1-p)}{n} \]无放回抽样
当无放回抽样时，\(X\)不再服从\(n\)重伯努利分布，服从超几何分布
\[A\sim h(n,N,M) \]\[EA=n\frac MN \]\[DA=\frac{nM(N-M)(N-n)}{N^2(N-1)} \]以上证明见https://www.cnblogs.com/lifz-ml/p/15105108.html 常用离散分布
\[E\widehat p=\frac {Em}n=\frac MN=p \]\[D\widehat p=\frac {Dm}{n^2}=\frac{M(N-M)(N-n)}{nN^2(N-1)}=\frac {p(1-p)}n\frac{N-n}{N-1} \]其中，\(\sqrt{\frac{N-n}{N-1}}\)被称为有限总体修正系数。
均值\(\bar x\)的抽样分布
考虑如下场景，对于有限总体\(X\)，其分布为离散型，可描述为以下分布列：
| 取值 | 概率 | 频数 |
|---|---|---|
| \(x_1\) | \(p_1\) | \(f_1\) |
| \(x_2\) | \(p_2\) | \(f_2\) |
| \(x_3\) | \(p_3\) | \(f_3\) |
| \(x_4\) | \(p_4\) | \(f_4\) |
| ... | ... | ... |
| \(x_k\) | \(p_k\) | \(f_k\) |
同样，总体容量为\(N\)，样本容量为\(n\)，总体均值为\(\mu\)，总体方差为\(\sigma^2\)。
有放回抽样
显然每个样本\(X_i\)独立同分布于\(X\)，当样本数\(n\)较大时，有
\[\bar x \sim N(\mu,\frac {\sigma^2}n) \]无论样本数大小，都有
\[E\bar x =\mu \]\[D\bar x = \frac {\sigma^2}n \]无放回抽样
\[E\bar x=E\frac {\sum_{i=1}^{n} X_i}{n}=EX_i=\mu \]\[D\bar x = \frac {N-n}{N-1}\frac {\sigma^2}n \]区间估计
- 置信区间：设\(\theta\)是总体的一个参数，对于给定的\(\alpha(0<\alpha<1)\)，设有两个统计量\(\hat\theta_{L}\)和\(\hat\theta_{U}\)，对任意的\(\theta\)，有
则称\([\hat\theta_{L}，\hat\theta_{U}]\)为置信度为\(1-\alpha\)的置信区间
置信区间的一个解释：在次抽样中，每次抽样所得的\(\hat\theta\)有\(1-\alpha\)的概率落在置信区间中。
- 枢轴量法
- 构造样本和待预测变量的函数\(G(x_1,x_2,..x_n,\theta)\)
- 适当选择两常数，使得
- 若\(c\geq G \geq d\)能变形为\(\hat\theta_{L}\leq\theta\leq\hat\theta_{U}\)，则置信区间可得。
单正态总体的置信区间
\(\sigma\)已知时\(\mu\)的置信区间
由于
\[\bar x\sim N(\mu,\frac {\sigma^2}{n}) \]因此，构造枢轴量
\[G=\frac{\bar x-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]由标准正态分布表查得，置信度为\(1-\alpha\)的双侧置信区间为\([-z_{1-\frac \alpha 2}，z_{1-\frac \alpha 2}]\)，则\(\mu\)的置信区间为
\[-z_{1-\frac \alpha 2}\leq\frac{\bar x-\mu}{\sigma/\sqrt{n}}\leq z_{1-\frac \alpha 2} \]\[\bar x - z_{1-\frac \alpha 2} \frac\sigma{\sqrt{n}}\leq \mu\leq \bar x + z_{1-\frac \alpha 2}\frac\sigma{\sqrt{n}} \]\(\sigma\)未知时\(\mu\)的置信区间
由于
\[\frac{\bar x-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]\[\frac{(n-1)s^2}{\sigma^2}\sim\chi^2(n-1) \]故，构造枢轴量
\[t=\frac{\bar x-\mu}{s/\sqrt{n}}\sim t(n-1) \]则置信区间为
\[\bar x - t_{1-\frac \alpha 2}(n-1) \frac s{\sqrt{n}}\leq \mu\leq \bar x + t_{1-\frac \alpha 2}(n-1)\frac s{\sqrt{n}} \]\(\sigma^2\)的置信区间
以以下统计量为枢轴量
\[\frac{(n-1)s^2}{\sigma^2}\sim\chi^2(n-1) \]由于\(\chi^2\)是恒为非负的偏态分布，因此，枢轴量区间为
\[[\chi^2_{\frac \alpha 2},\chi^2_{1-\frac \alpha 2}] \]故\(\sigma^2\)的置信区间为
\[[\frac{(n-1)s^2}{\chi^2_{1-\alpha /2}}，\frac{(n-1)s^2}{\chi^2_{\alpha /2}}] \]大样本置信区间
以上是正态分布下的枢轴量法，当分布不是正态分布时，寻找枢轴量及其分布会比较困难，因此，当数据量较大时，可用渐近分布构建近似置信区间。以上述抽样比率\(p\)为例，\(X\sim B(1,p)\)，由中心极限定理，有以下近似分布
\[\bar x\sim N(p,\frac {p(1-p)}n) \]构造枢轴量
\[G=\frac {\bar x-p}{\sqrt{p(1-p)/n}}\sim N(0,1) \]令\(\lambda = z^2_{1-\frac \alpha 2}\)，则
\[(\frac {\bar x-p}{\sqrt{p(1-p)/n}})^2\leq \lambda \]\[(1-\frac \lambda n)p^2-(2p+\frac \lambda n)p+\bar x^2\leq 0 \]上式两根为
\[\frac 1{1+\lambda/n}(\bar x +\frac \lambda{2n}\pm\sqrt{\frac{\bar x(1-\bar x)}{n}\lambda+\frac {\lambda^2}{4n^2}}) \]当n较大时，可得近似区间
\[[\bar x-z_{1-\frac \alpha 2}\sqrt{\frac {\bar x(1-\bar x)}{n}}，\bar x+z_{1-\frac \alpha 2}\sqrt{\frac {\bar x(1-\bar x)}{n}}] \]两正态总体下的置信区间
\(x_1,x_2,...x_m\)是\(N(\mu_1,\sigma^2_1)\)的样本，\(y_1,y_2,...y_n\)是\(N(\mu_2,\sigma^2_2)\)的样本,\(s_x\)，\(s_y\)分别是两样本的方差。
\(\mu_1-\mu_2\)的置信区间
\(\sigma_1^2,\sigma^2_1\)已知时
此时有
\[\bar x-\bar y\sim N(\mu_1-\mu_2,\frac{\sigma^2_1}{m}+\frac{\sigma^2_2}{n}) \]枢轴量
\[G=\frac {\bar x-\bar y-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma^2_1}{m}+\frac{\sigma^2_2}{n}}}\sim N(0,1) \]则\(\mu_1-\mu_2\)的置信区间为
\[\bar x-\bar y\pm z_{1-\frac \alpha 2}\sqrt{\frac{\sigma^2_1}{m}+\frac{\sigma^2_2}{n}} \]\(\sigma_1^2=\sigma^2_2=\sigma^2\)未知时
\[\bar x-\bar y\sim N(\mu_1-\mu_2,(\frac1{m}+\frac1{n}){\sigma^2}) \]\[\frac{(m-1)s_x^2+(n-1)s_y^2}{\sigma^2}\sim \chi^2(m+n-2) \]构造枢轴量
\[t=\sqrt{\frac{mn(m+n-2)}{m+n}}\frac{\bar x-\bar y-(\mu_1-\mu_2)}{\sqrt{(m-1)s^2_x+(n-1)s^2_y}}\sim t(m+n-2) \]令
\[s_w^2=\frac{(m-1)s_x^2+(n-1)s_y^2}{m+n-2} \]则置信区间为
\[\bar x-\bar y \pm \sqrt{\frac {m+n}{mn}}s_wt_{1-\frac \alpha 2}(m+n-2) \]\(\sigma_2^2=c\sigma^2_1\)且c已知时
方法同上，置信区间为
\[\bar x-\bar y \pm \sqrt{\frac {cm+n}{mn}}s_wt_{1-\frac \alpha 2}(m+n-2) \]m,n都很大时的近似置信区间
由中心极限定理，可得以下近似分布
\[\frac{\bar x-\bar y-(\mu_1-\mu_2)}{\sqrt{\frac{s_x^2}m+\frac{s_y^2}n}}\sim N(0，1) \]近似置信区间
\[\bar x-\bar y\pm z_{1-\frac \alpha 2}\sqrt{\frac{s_x^2}m+\frac{s_y^2}n} \]\(\sigma_1^2/\sigma_2^2\)的置信区间
由
\[\frac {(m-1)s_x^2}{\sigma_1^2}\sim\chi^2(m-1) \]\[\frac {(n-1)s_y^2}{\sigma_2^2}\sim\chi^2(n-1) \]构造枢轴量
\[F=\frac{s_x^2/\sigma^2_1}{s_y^2/\sigma^2_2}\sim F(m-1,n-1) \]\(\sigma_1^2/\sigma_2^2\)的置信区间为
\[[\frac{s_x^2}{s_y^2}\frac1 {F_{1-\frac\alpha2}(m-1,n-1)}，\frac{s_x^2}{s_y^2}\frac1 {F_{\frac\alpha2}(m-1,n-1)}] \]标签：bar,frac,置信区间,hat,参数估计,theta,sigma 来源： https://www.cnblogs.com/lifz-ml/p/15121013.html