Không thiên vị không nhất thiết phải đặc biệt quan trọng.
Bên cạnh một tập hợp hoàn cảnh rất hạn chế, hầu hết các công cụ ước tính hữu ích đều bị sai lệch, tuy nhiên chúng thu được.
Nếu hai ước lượng có cùng phương sai, người ta có thể dễ dàng gắn kết một cuộc tranh cãi cho thích là một không thiên vị cho một thiên vị một, nhưng đó là một tình huống bất thường là ở (có nghĩa là, bạn có thể hợp lý thích unbiasedness, ceteris tố khác không đổi - nhưng những pesky ceteris hầu như không bao giờ paribus ).
Thông thường hơn, nếu bạn muốn không thiên vị, bạn sẽ thêm một số phương sai để có được nó, và sau đó câu hỏi sẽ là tại sao bạn sẽ làm điều đó ?
Xu hướng là giá trị trung bình của công cụ ước tính của tôi sẽ ở mức trung bình quá cao (với độ lệch âm biểu thị quá thấp).
Khi tôi đang xem xét một công cụ ước tính mẫu nhỏ, tôi không thực sự quan tâm đến điều đó. Tôi thường quan tâm nhiều hơn đến việc người ước tính của tôi sẽ sai đến mức nào trong trường hợp này - khoảng cách điển hình của tôi từ bên phải ... một cái gì đó như lỗi bình phương gốc hoặc lỗi tuyệt đối trung bình sẽ có ý nghĩa hơn.
Vì vậy, nếu bạn thích phương sai thấp và độ lệch thấp, yêu cầu nói một công cụ ước tính sai số trung bình bình phương tối thiểu sẽ có ý nghĩa; những điều này rất hiếm khi không thiên vị.
Xu hướng và không thiên vị là một khái niệm hữu ích cần phải biết, nhưng nó không phải là một tài sản đặc biệt hữu ích để tìm kiếm trừ khi bạn chỉ so sánh các công cụ ước tính với cùng phương sai.
Công cụ ước tính ML có xu hướng phương sai thấp; chúng thường không phải là MSE tối thiểu, nhưng chúng thường có MSE thấp hơn so với sửa đổi chúng thành không thiên vị (khi bạn có thể làm điều đó) sẽ cung cấp cho bạn.
Ví dụ: xem xét ước tính phương sai khi lấy mẫu từ phân phối bình thường (thực sự MMSE cho phương sai luôn có mẫu số lớn hơn ). n-1σ^2MMSE=S2n+1,σ^2MLE=S2n,σ^2Unb=S2n−1n−1