第七章参数估计-CSDN博客

本文链接：https://blog.csdn.net/m0_73919023/article/details/150446780

专题一矩估计与最大似然估计

估计量的定义

构造统计量 $\hat{\theta}(X_{1},X_{2},\cdots,X_{n})$ 估计总体分布中的未知参数 $\theta$ ，称 $\hat{\theta}(X_{1},X_{2},\cdots,X_{n})$ 为 $\theta$ 的估计量， $\hat{\theta}(x_{1},x_{2},\cdots,x_{n})$ 为 $\theta$ 的估计值。

矩估计

令 $EX^{k}=\frac{1}{n}\sum_{i = 1}^{n}X_{i}^{k}$ 或 $E(X - EX)^{k}=\frac{1}{n}\sum_{i = 1}^{n}(X_{i}-\overline{X})^{k},k = 1,2,\cdots$ ，得 $\theta_{1},\theta_{2},\cdots$ 的矩估计量。

大数定律：

一个参数：

令 $EX=\overline X$ ，前面含有 $\theta$ 后面照抄，得 $\theta$ 的矩估计量 $\hat{\theta }$

两个参数：

令 $\left\{\begin{matrix} EX=\overline X\\ EX^2=\frac{1}{2}\sum_{i=1}^{n}x_i^2 \end{matrix}\right.$ ，得 $\theta _1,\theta _2$ 的矩估计量 $\hat{\theta }_1,\hat{\theta }_2$

最大似然估计

定义：使得似然函数取得最大值的 $\theta$

（1）对样本值 $x_{1},x_{2},\cdots,x_{n}$ ，似然函数为：
$L(\theta) = \begin{cases} \prod_{i=1}^{n} p(x_{i};\theta) \\ \prod_{i=1}^{n} f(x_{i};\theta) \end{cases}$ ，离散总体和连续总体

（2）似然函数两端取对数求导数；
（3）令 $\frac{d\ln L(\theta)}{d\theta}=0$ ，得 $\theta$ 的最大似然估计量。

（2）（3）条 $L(\theta )$ 关于 $\theta$ 单调递增（单调递减）， $\theta$ 取右（左）端点

专题二估计量的评价标准

估计量的评价标准

（1）无偏性：设 $\hat{\theta}$ 为 $\theta$ 的估计量，若 $E\hat{\theta}=\theta$ ，则称 $\hat{\theta}$ 为 $\theta$ 的无偏估计量；
（2）有效性：设 $\hat{\theta}_{1},\hat{\theta}_{2}$ 为 $\theta$ 的无偏估计量，若 $D(\hat{\theta}_{1})<D(\hat{\theta}_{2})$ ，则称 $\hat{\theta}_{1}$ 比 $\hat{\theta}_{2}$ 有效；
（3）一致性：设 $\hat{\theta}$ 为 $\theta$ 的估计量，若 $\hat{\theta}$ 依概率收敛于 $\theta$ ，则称 $\hat{\theta}$ 为 $\theta$ 的一致（相合）估计量。