Cải thiện công cụ ước tính tối thiểu


9

Giả sử rằng tôi có n thông số tích cực để ước lượng μ1,μ2,...,μn và họ tương ứng với n ước lượng không chệch sản xuất bởi các ước lượng μ1^,μ2^,...,μn^ , tức là E[μ1^]=μ1 , E[μ2^]=μ2 và cứ thế.

Tôi muốn để ước tính min(μ1,μ2,...,μn) sử dụng dự toán trong tầm tay. Rõ ngây thơ ước lượng min(μ1^,μ2^,...,μn^) được thiên vị thấp như

E[min(μ1^,μ2^,...,μn^)]min(μ1,μ2,...,μn)

Giả sử rằng tôi cũng có ma trận hiệp phương sai của ước lượng tương ứng Cov(μ1^,μ2^,...,μn^)=Σ trong tầm tay. Có thể lấy ước tính tối thiểu (hoặc ít sai lệch) tối thiểu bằng cách sử dụng các ước tính đã cho và ma trận hiệp phương sai không?


Bạn có sẵn sàng sử dụng phương pháp MCMC của Bayes hay bạn cần một số công thức dạng đóng?
Martin Modrák

Nhưng một phương pháp lấy mẫu đơn giản là OK? (ngoài ra, bạn không thực sự cần các linh mục để phân tích Bayes, nhưng đó là một câu chuyện khác)
Martin Modrák

@ MartinModrák Tôi không có kinh nghiệm với các phương pháp lấy mẫu. Nếu tôi làm bayesian tôi thường làm những thứ liên hợp đơn giản. Nhưng nếu bạn nghĩ rằng đây là con đường để đi, tôi sẽ đi trước và học hỏi.
Cagdas Ozgenc

Bạn còn biết gì về những ước tính này? Bạn có biết các biểu thức? Bạn có biết phân phối dữ liệu được sử dụng để ước tính các tham số này?
wij

@wij Tôi có thể thử ước tính một số khoảnh khắc khác của người ước tính nếu cần. Tôi không có biểu thức phân tích cho việc phân phối các công cụ ước tính. Giải pháp không nên (theo yêu cầu của tôi) phụ thuộc vào việc phân phối dữ liệu.
Cagdas Ozgenc

Câu trả lời:


4

min(μ1,,μn)

Ví dụ: hãy để và . Đặt là số lượng đích và là ước tính của . Nếu chúng tôi sử dụng công cụ ước tính "ngây thơ" trong đó , sau đó, lỗi ước tính được giới hạn trên bởi lên đến hằng số. (Lưu ý rằng lỗi ước tính cho mỗi là ). Tất nhiên, nếuμ = ( μ 1 , ... , μ n ) θ = min i μ i θ θ θ = min i ( ˉ Y i ) ¯ Y i = 1Y1,,YNN(μ,σ2I)μ=(μ1,,μn)θ=miniμiθ^θθ^=mini(Y¯i)Yi¯=1Nj=1NYi,jL2

E[θ^θ]2σ2lognN
μiσ2NμiCác khoảng cách rất xa nhau và rất nhỏ, lỗi ước tính sẽ được giảm xuống thành . Tuy nhiên, trong trường hợp xấu nhất, không có ước tính nào về hoạt động tốt hơn công cụ ước tính ngây thơ. Bạn có thể hiển thị chính xác rằng trong đó cực đại chiếm toàn bộ estiamte có thể của dựa trên mẫu và supremum chiếm toàn bộ cấu hình có thể có của .σσ2Nθ
infθ^supμ1,,μnE[θ^θ]2σ2lognN
θY1,,YNμi

Do đó, công cụ ước tính ngây thơ là minimax tối ưu đến hằng số, và không có ước tính nào tốt hơn về theo nghĩa này.θ


Các thông tin bổ sung được cung cấp không giúp ích gì cả? Những số liệu thống kê bổ sung có thể hữu ích?
Cagdas Ozgenc

Xin lỗi vì đã làm cho một điểm khó hiểu. Tôi không có nghĩa là thông tin bổ sung (hiệp phương sai) là không hữu ích. Tôi chỉ muốn chỉ ra ước tính tối thiểu của một số phương tiện dân số là khó khăn trong tự nhiên. Thông tin hiệp phương sai sẽ hữu ích. Ví dụ, trong trường hợp Bình thường, nếu chúng ta có mối tương quan hoàn hảo cho tất cả các cặp có thể, điều đó có nghĩa là các quan sát ngẫu nhiên đến từ trung bình khác nhau + một thuật ngữ tiếng ồn phổ biến. Trong trường hợp này, công cụ ước tính ngây thơ (tối thiểu của phương tiện mẫu) là không thiên vị.
JaeHyeok Shin

3

EDIT: Câu trả lời sau đây cho một câu hỏi khác với câu hỏi - nó được đóng khung như thể được coi là ngẫu nhiên, nhưng không hoạt động khi được coi là cố định, đó có lẽ là điều OP nghĩ. Nếu được sửa, tôi không có câu trả lời tốt hơnμμμmin(μ^1,...,μ^n)


Nếu chúng tôi chỉ xem xét các ước tính cho trung bình và hiệp phương sai, chúng tôi có thể coi là một mẫu duy nhất từ ​​phân phối chuẩn nhiều biến số. Một cách đơn giản để có được ước tính mức tối thiểu là sau đó rút ra một số lượng lớn mẫu từ , tính toán mức tối thiểu của từng mẫu và sau đó lấy giá trị trung bình của các cực tiểu đó.(μ1,...,μn)MVN(μ^,Σ)

Quy trình trên và những hạn chế của nó có thể được hiểu theo thuật ngữ Bayes - lấy ký hiệu từ Wikipedia trên MVN , nếu là hiệp phương thức đã biết của các công cụ ước tính và chúng tôi có một quan sát, phân phối sau chung là trong đó và phát sinh từ trước đó, trước khi quan sát bất kỳ dữ liệu nào chúng tôi lấy trước ). Vì bạn có thể không sẵn sàng đưa linh mục vào , chúng tôi có thể lấy giới hạn là , dẫn đến căn hộ trước và sau trở thànhΣμMVN(μ^+mλ01+m,1n+mΣ)λ0mμMVN(λ0,m1Σμm0μMVN(μ^,Σ). Tuy nhiên, do căn hộ trước chúng tôi đang ngầm đưa ra giả định rằng các yếu tố của khác nhau rất nhiều (nếu tất cả các số thực đều có khả năng như nhau, việc nhận được các giá trị tương tự là rất khó xảy ra).μ

Một mô phỏng nhanh chóng cho thấy dự toán với thủ tục này hơi ước lượng quá khi các yếu tố của khác nhau rất nhiều và đánh giá thấp khi các yếu tố tương tự. Người ta có thể lập luận rằng không có bất kỳ kiến ​​thức trước đây thì đây là hành vi đúng. Nếu bạn sẵn sàng nêu ít nhất một số thông tin trước đó (ví dụ ), kết quả có thể trở nên tốt hơn một chút đối với trường hợp sử dụng của bạn.min(μ)μmin(μ)m=0.1

Nếu bạn sẵn sàng đảm nhận nhiều cấu trúc hơn, bạn có thể chọn phân phối tốt hơn so với multivariete bình thường. Ngoài ra, có thể có ý nghĩa khi sử dụng Stan hoặc bộ lấy mẫu MCMC khác để phù hợp với ước tính của ở vị trí đầu tiên. Điều này sẽ giúp bạn có một bộ các mẫu phản ánh sự không chắc chắn trong chính các công cụ ước tính, bao gồm cả cấu trúc hiệp phương sai của chúng (có thể phong phú hơn những gì MVN có thể cung cấp). Một lần nữa, bạn có thể tính toán mức tối thiểu cho mỗi mẫu để có được phân phối sau trên cực tiểu và lấy giá trị trung bình của phân phối này nếu bạn cần ước tính điểm.μ(μ1,...,μn)


Lưu ý rằng tôi không cố ước tính tối thiểu N biến ngẫu nhiên. Tôi đang cố gắng ước tính tối thiểu của các tham số N. Có vẻ như đề xuất của bạn là ước tính cho trong khi tôi cần ước tính choE[min(μ1^,μ2^,...,μn^)]min(μ1,μ2,...,μn)
Cagdas Ozgenc

Tôi đã cố gắng để chỉnh sửa câu trả lời để giải thích lý do, hy vọng rằng sẽ giúp.
Martin Modrák

Vì vậy, phương pháp lấy mẫu này mang lại kết quả tốt hơn so với công cụ ước tính đơn giản , cũng hoạt động tốt khi ở xa xa nhau và đánh giá thấp khi họ gần gũi. Để nó hữu ích, nó nên hoạt động khi chúng ở gần. min(μ1^,μ2^,...,μn^)μi
Cagdas Ozgenc

Cũng lưu ý rằng tất cả là số dương, vì vậy bạn không thực sự cần phần âm của dòng thực. μi
Cagdas Ozgenc

1
Bạn đúng là tôi bỏ qua các dấu hiệu và tôi không thấy một cách đơn giản để chứa chúng. Ngoài ra, công cụ ước tính mà tôi đề xuất sẽ hoạt động tốt hơn khi được coi là ngẫu nhiên, nhưng nó kém hơn đối với cố định . Tôi không nghĩ rằng tôi có thể cứu vãn điều này và tôi không chắc cách nào là tốt nhất về phía trước - tôi có xu hướng cố gắng xóa câu trả lời vì nó không thực sự trả lời câu hỏi, nhưng (tôi hy vọng) câu trả lời cũng chứa một số ý tưởng có thể hữu ích cho ai đó m i n ( μ ) μμmin(μ^)μ
Martin Modrák
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.