Language
Country/Area
No result found
从样本到估计：估计器背后的神秘公式是什么？
在统计学中，估计器（estimator）是用来根据观察到的数据计算未知参数的规则。这个过程中，我们区分了估计器（rule）、感兴趣的量（estimand）及其结果（estimate）。举例来说，样本均值被广泛用作母体均值的估计器。这样的估计器可以分为点估计器和区间估计器，前者提供单一数值的估计，而后者则是给出一系列可行的值。
“单一数值不一定意味着单一数字，还可以是向量值或函数值的估计器。”
估计理论关注的是估计器的性质，即用于比较不同估计器在相同数据下表现的定义性质。这些性质可以帮助我们在特定情况下判断哪些估计规则更佳。然而，在稳健统计学中，研究不仅考虑在狭义假设下的良好性质，也涉及在更广泛条件下可能出现的较差性质之间的平衡。
背景
所谓的“估计器”或“点估计”是统计学中的一个术语，表示用来推断统计模型中未知参数值得统计量。更具体地说，「估计器是用来获取未知参数估计值的所选方法」。被估计的参数往往称为估量量（estimand），其可以是有限维度（在参数化和半参数模型中）或无限维度（在半参数和非参数模型中）。
“作为数据的函数，估计器本身也是随机变量；一个特定的随机变量实现被称为‘估计值’。”
虽然在实践中，估计器的定义几乎没有对所用数据的函数形式进行限制，但其吸引力通常依赖于它们的性质，如无偏性、均方误差、一致性及渐近分布等。这些属性为估计器的构建和比较提供了理论基础。在决策理论的背景下，估计器被视为一种决策规则，其表现可以通过损失函数进行评估。
估计器的属性
以下几个定义和属性是相关的：
误差
对于给定的样本 x，估计器的“误差”定义为：
e(x) = 估计值(x) - 真实值
均方误差
均方误差（MSE）是估计值与真实值间误差平方的期望值，公式为：
MSE = E[(估计值(X) - 真实值)²]
“如果将参数视为目标的靶心，那么估计器便是射击过程，而每一支箭即为估计值。”
偏差
估计器的偏差（Bias）定义为估计值的期望与真实值之间的距离，表示为：
Bias(估计器) = E(估计器) - 真实值
对于希望获得无偏估计器的情境，无偏估计器不会系统性地生成大于或小于真实值的估计。而在实际问题中，若可以接受少量偏差，那么可能会找到具有更小均方误差的估计器。
无偏性
对于估计器，无偏性是一个期望值属性，它表明估计器在长期内不会系统性地偏离真实参数。理想的情况下，无偏估计器应该将均方误差控制在最小。
最后，这些统计性质不仅帮助我们理解估计器的性能，也不断推动着数据分析的发展。不同类型的数据和参数需求，如何影响估计器的选择与利用？
