허락하다 X1,X2,...,Xn
pdf를 가진 iid 랜덤 변수
fX(x∣θ)=θ(1+x)−(1+θ)I(0,∞)(x)
어디 θ>0
. UMVUE에게1θ
분산을 계산
나는 UMVUE를 얻는 두 가지 방법에 대해 배웠습니다.
- 크 래머-라오로 바운드 (CRLB)
- 레만-쉐프 테레 옴
나는 두 가지 중 하나를 사용하여 이것을 시도 할 것입니다. 나는 여기서 무슨 일이 일어나고 있는지 완전히 이해하지 못한다는 것을 인정해야하며, 시도한 해결책을 예제 문제에서 근거로 삼고 있습니다. 나 그거있어fX(x∣θ)
전체 1 모수 지수 군으로
h(x)=I(0,∞)
, c(θ)=θ
, w(θ)=−(1+θ)
, t(x)=log(1+x)
이후 w′(θ)=1
0이 아닌 Θ
CRLB 결과가 적용됩니다. 우리는
log fX(x∣θ)=log(θ)−(1+θ)⋅log(1+x)
∂∂θlog fX(x∣θ)=1θ−log(1+x)
∂2∂θ2log fX(x∣θ)=−1θ2
그래서
I1(θ)=−E(−1θ2)=1θ2
그리고 편견이없는 추정기의 CRLB τ( θ )
이다
[τ′(θ)]2n⋅I1(θ)=θ2n[τ′(θ)]2
이후
∑i=1nt(Xi)=∑i=1nlog(1+Xi)
그런 다음 선형 함수 ∑ni=1log(1+Xi)
또는 이와 동등한 선형 함수 1n∑ni=1log(1+Xi)
, 기대의 CRLB를 달성하므로 기대의 UMVUE가됩니다. 이후E(log(1+X))=1θ
우리는 UMVUE의 1θ
이다 1n∑ni=1log(1+Xi)
자연스러운 매개 변수화를 위해 η=−(1+θ)⇒θ=−(η+1)
그때
Var(log(1+X))=ddη(−1η+1)=1(η+1)2=1θ2
이것이 유효한 해결책입니까? 더 간단한 접근법이 있습니까? 이 방법은E(t(x))
당신이 추정하려고하는 것과 같습니까?
답변
당신의 추론은 대부분 맞습니다.
샘플의 조인트 밀도 (엑스1,엑스2, … ,엑스엔)
이다
fθ(x1,x2,…,xn)⟹lnfθ(x1,x2,…,xn)⟹∂∂θlnfθ(x1,x2,…,xn)=θn(∏ni=1(1+xi))1+θ1x1,x2,…,xn>0,θ>0=nln(θ)−(1+θ)∑i=1nln(1+xi)+ln(1min1≤i≤nxi>0)=nθ−∑i=1nln(1+xi)=−n(∑ni=1ln(1+xi)n−1θ)
따라서 우리는 형태로 점수 함수를 표현했습니다
∂∂θlnfθ(x1,x2,…,xn)=k(θ)(T(x1,x2,…,xn)−1θ)(1)
이것은 Cramér-Rao 불평등의 평등 조건입니다.
확인하는 것은 어렵지 않습니다
E(T)=1n∑i=1nE(ln(1+Xi))=1/θ=1θ(2)
에서 (1)
과 (2)
우리는 결론을 내릴 수 있습니다
- 통계 T(X1,X2,…,Xn)
편견이없는 추정량입니다 1/θ
.
- T
Cramér-Rao 불평등의 평등 조건을 충족시킵니다.
이 두 가지 사실은 함께 T
의 UMVUE입니다 1/θ
.
두 번째 글 머리 기호는 실제로 T
Cramér-Rao 하한에 도달 1/θ
.
실제로, 당신이 보여준 것처럼
Eθ[∂2∂θ2lnfθ(X1)]=−1θ2
이것은 전체 샘플에 대한 정보 기능이
I(θ)=−nEθ[∂2∂θ2lnfθ(X1)]=nθ2
그래서 Cramér-Rao 하한 1/θ
따라서 UMVUE의 분산은
Var(T)=[ddθ(1θ)]2I(θ)=1nθ2
여기서 우리는 Cramér-Rao 불평등의 목록을 이용했습니다. f
에 의해 매개 변수 θ
통계량 인 경우 (CR 불평등의 규칙적 조건을 유지한다고 가정) T
편견이 없다 g(θ)
일부 기능 g
그것이 CR 불평등의 평등 조건을 만족한다면, 즉
∂∂θlnfθ(x)=k(θ)(T(x)−g(θ))
그런 다음 T
의 UMVUE 여야합니다 g(θ)
. 따라서이 논쟁은 모든 문제에서 작동하지는 않습니다.
또는 Lehmann-Scheffe 정리를 사용하면 다음과 같이 말할 수 있습니다. T=1n∑ni=1ln(1+Xi)
의 UMVUE입니다 1/θ
편견이 없기 때문에 1/θ
분포 제품군에 대한 충분한 통계입니다. 그T
1- 파라미터 지수 패밀리로 샘플의 조인트 밀도의 구조로부터 충분히 경쟁적이다. 그러나 분산T
직접 찾기가 약간 까다로울 수 있습니다.