数理统计学导论(第8版)第七章充分性(Chapter7 Sufficiency) 知识小结、期末复习笔记 (待续

* 期末结束啦、把这学期的笔记分享一下、待续

* 参照英文版第8版数理统计学导论(Introduction to Mathematical Statistics, Eighth Editon),Hogg,第7章 充分性;用了我自己的翻译

* 整个章节逻辑层次非常清晰, 定理概念之间层层递进、互相联系、补充,案例经典、方法明确且信息量大、仔细磨

7.1 估计量品质测量

① 极小方差无偏估计量(MVUE, Minimum Variance Unbiased Estimator)定义:

            有 iid.X_{i} , 若统计量 Y=u\left ( X_{1},X_{2},...,X_{n} \right ) 是无偏的,且 Y 的方差 \leq\theta的任何其他无偏估计量的方差,那么称 Y\theta的MVUE.

②决策函数(规则):

           若 Y\theta 的点估计,\delta (y)Y观测值的函数,函数 \delta 决定了 \theta 的点估计之值,从而称 \delta 为决策函数或决策规则(decision function/rule),观测值 \delta (y) 则为一个决策(decision).

 ③损失函数:

           非负数函数 \L [\theta , \delta (y)] 定义为损失函数(loss function),用于衡量 \theta 的真实值与其观测值 \delta (y) 的差异程度. 损失函数的数学期望称为风险函数(risk function). 若 f_{Y}(y;\theta) 是 Y 的pdf, \theta \in \Omega, 那么风险函数 R(\theta ,\delta ) 由下式给出:

                        R(\theta ,\delta )=E\left \{\L [\theta , \delta (y)] \right \}=\int_{\infty }^{-\infty }\L [\theta , \delta (y)]\cdot f_{Y}(y;\theta)dy

            应用:极小化极大值准则(minimax criterion) : 使风险函数R的极大值取到极小值的决策函数L为最佳决策函数.      见书中举例.

            拓展:似然原理(likelihood principle),见书中案例.

7.2 参数的充分统计量

④ 充分统计量(sufficient statistic)定义:

           设  X_{1},X_{2},...,X_{n} 是来自分布具有pdf或pmf为 f(x;\theta ) 的n个随机样本,\theta \in \Omega ,设Y_{1}=u_{1}\left ( X_{1},X_{2},...,X_{n} \right ) 是一个统计量,它的pdf或pmf是 f_{Y_{1}}(y_{1};\theta) ,于是 Y_{1}\theta的充分统计量,当且仅当:

                                     \frac{f(x_{1};\theta )f(x_{2};\theta )\cdots f(x_{n};\theta )}{f_{Y_{1}}(u_{1}(x_{1},x_{2},...,x_{n});\theta)}=H(x_{1},x_{2},...,x_{n})

其中,H(x_{1},x_{2},...,x_{n}) 不依赖于 \theta \in \Omega .

⑤ 求充分统计量简便方法:奈曼因子分解定理

            在④的条件下,Y_{1}\theta的充分统计量,当且仅当可以找出两个非负函数 k_{1},k_{2} , 使得:

              f(x_{1};\theta )f(x_{2};\theta )\cdots f(x_{n};\theta )=k_{1}[u_{1}(x_{1},x_{2},...,x_{n});\theta)]\cdot k_{2}(x_{1},x_{2},...,x_{n})

其中 k_{2} 不依赖于 \thetau_{1}x_{i} 构成的函数;k_{1}u_{1}\theta  构成.  见书本举例.

  7.3 充分统计量的性质

⑥ 拉奥-布莱克韦尔(Rao-Blackwell)定理

           由充分统计量 Y_{1}得到 (无偏化校正) 并表示 [即 E(Y_{2}|y_{1})=\varphi (y_{1}) ] 的无偏估计量为 \theta 的MVUE.

\theta唯一的极大似然估计量 \hat{\theta} 是充分统计量 Y_{1} 的函数.

⑧ 补充:\theta 的极大似然估计量是渐进无偏的.

\theta极小方差无偏估计量(MVUE)的方法:

  1.  求出 \prod f(x_{i};\theta ) , 得到一个充分估计量 Y_{1} ;-----------------根据⑤因子分解定理
  2. \theta 的极大似然估计量 Y_{2} ,注意到它是充分估计量 Y_{1} 的函数,且是无偏的;---根据⑦
  3. 求2中极大似然估计量 Y_{2} 的数学期望(为 \theta 的函数),依据数学期望将其校正为 \theta 的无偏估计量 \varphi (Y_{1}),它就是 \thetaMVUE.  ---------------根据⑥

 7.4 完备性与唯一性(Completeness and Uniqueness)

⑨ 完备族(complete family)的定义:

            对于连续或离散的随机变量Z,它拥有的pdf或pmf是 \left \{ h(z;\theta ):\theta \in \Omega \right \} 族的成员之一. 若要使条件 E[u(Z)]=0 成立,需要 u(z) 为0,除了在对每个 h(z;\theta )  具有概率0的点集之外. 那么上述的族 \left \{ h(z;\theta ):\theta \in \Omega \right \} 就称为概率密度函数或质量函数的完备族.

⑩ 莱曼和谢弗(Lehmann and Scheffe)定理:

            由 pdf或pmf来自完备族 \left \{ f_{Y_{1}}(y_{1};\theta ):\theta \in \Omega \right \} 的充分统计量 Y_{1}得到并表示的无偏估计量为 \theta唯一的MVUE.

见书中的相关案例.

7.5 指数分布类(the Exponential Class of Distributions)

11                          f(x;\theta )=\left\{\begin{matrix} exp[p(\theta )K(x)+H(x)+q(\theta )] , x\in S\\ 0, elsewhere\end{matrix}\right.

12 将形式为11的pdf称为概率密度函数或质量函数的正则指数类(regular exponential class)的一个成员,如果:

            Ⅰ X的支集不依赖于 \theta .

            Ⅱ p(\theta )\theta \in \Omega 的非平凡连续函数(nontrivial continuous function).

            Ⅲ 若X连续,则K'(x)\not\equiv0且H(x)是 x \in S  的连续函数;若X离散,则K(x)是 x \in S 的非平凡函数.

 13 记结论 (X来自正则指数族):

            Ⅰ   Y_{1}=\sum_{i=1}^{n}K(X_{i}) 为参数 \theta 的充分统计量,其概率密度函数是完备的(定理7.5.2)

           Ⅱ   Y_{1} 有如下形式的pdf或pmf:( y_{1}\in S_{Y_{1}} ,且 neither S_{Y_{1}} norR(y_{1}) 依赖与于 \theta .)

                                          f_{Y_{1}}(y_{1};\theta )=R((y_{1})exp[p(\theta )y_{1}+nq(\theta )]

          Ⅲ                        Var(Y_{1})=n\frac{1}{p'(\theta )^{3}}\left \{ p''(\theta )q'(\theta )-q''(\theta )p'(\theta ) \right \}

应用见书中例7.5.2,信息量大、重要!

待续

*****************  分享  *  交流回复  *  指正  ***************

你可能感兴趣的:(高等数理统计学,概率论,算法,抽象代数,统计学)