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 θ\theta,基于样本量 nn 构造的估计量为 θ^n\hat{\theta}_n。如果对任意 ε>0\varepsilon>0,都有

lim⁡n→∞P(∣θ^n−θ∣<ε)=1\lim_{n\to\infty}P\left(\left|\hat{\theta}_n-\theta\right|<\varepsilon\right)=1

就称 θ^n\hat{\theta}_n 是 θ\theta 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。

样本量增加时估计量向真实参数集中

如何判断一致性

设 X1,…,XnX_1,\ldots,X_n 独立同分布,总体均值为 μ\mu、方差有限。样本均值为

Xˉn=1n∑i=1nXi\bar{X}_n=\frac{1}{n}\sum_{i=1}^{n}X_i

根据大数定律,Xˉn\bar{X}_n 依概率收敛到 μ\mu,所以样本均值是总体均值的一致估计量。同时,

Var⁡(Xˉn)=σ2n\operatorname{Var}(\bar{X}_n)=\frac{\sigma^2}{n}

当 nn 增大时,方差趋近于零,抽样分布越来越集中在 μ\mu 附近。这里“中心正确”来自 E(Xˉn)=μE(\bar{X}_n)=\mu,“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:

E(θ^n)→θ,Var⁡(θ^n)→0E(\hat{\theta}_n)\to\theta,\qquad \operatorname{Var}(\hat{\theta}_n)\to0

此时可由切比雪夫不等式推出 θ^n\hat{\theta}_n 依概率收敛到 θ\theta。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 E(θ^n)=θE(\hat{\theta}_n)=\theta;一致性只要求当 nn 增大时,估计量逐渐靠近 θ\theta。

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。

目录与阅读设置

阅读设置

17

记录一个想法

估计量的一致性

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通