高等数学 / 系统课时
估计量的一致性
估计量的一致性
一致性回答的是:当样本量不断增加时,一个估计量是否会越来越接近真实参数。本课将从概率收敛出发,解释一致估计的判断方法、典型例子,以及它与无偏性的区别。
学习目标
- 理解一致估计量的概率定义
- 能用大数定律判断常见估计量是否一致
- 区分一致性与无偏性这两个评价维度
一致性关注什么
设总体参数为 ,基于样本量 构造的估计量为 。如果对任意 ,都有
就称 是 的一致估计量。等价地说,样本越多,估计误差超过任意固定阈值的概率越小。
一致性并不要求有限样本下每次估计都很准确,它描述的是样本量趋于无穷时的长期表现。因此,它是一种渐近性质。

如何判断一致性
设 独立同分布,总体均值为 、方差有限。样本均值为
根据大数定律, 依概率收敛到 ,所以样本均值是总体均值的一致估计量。同时,
当 增大时,方差趋近于零,抽样分布越来越集中在 附近。这里“中心正确”来自 ,“越来越集中”来自方差缩小。
判断其他估计量时,通常先明确其随样本量变化的形式,再寻找大数定律、连续映射或已知收敛结论,最后检查极限是否等于目标参数。一个常用的充分条件是:
此时可由切比雪夫不等式推出 依概率收敛到 。注意这只是常用充分条件,不是一致性的唯一证明方法。
与无偏性的区别
无偏性要求每个固定样本量下都有 ;一致性只要求当 增大时,估计量逐渐靠近 。
一个估计量可以有小偏差但仍然一致,只要偏差随样本量趋于零,而且随机波动也不断减小。反过来,无偏估计量若方差不随样本量缩小,也未必一致。
因此,无偏性看“平均位置是否准确”,一致性看“样本越来越多时能否稳定逼近真值”。
按自己的节奏,确认真正理解。