Mối quan hệ giữa ước tính và ước tính là gì?
Mối quan hệ giữa ước tính và ước tính là gì?
Câu trả lời:
EL Lehmann, trong Lý thuyết ước tính điểm cổ điển của mình , trả lời câu hỏi này trên trang 1-2.
Các quan sát hiện được quy định là các giá trị được thực hiện bởi các biến ngẫu nhiên được giả định là tuân theo phân phối xác suất chung, , thuộc về một số lớp đã biết ...
... bây giờ chúng ta chuyên về ước tính điểm ... giả sử là hàm có giá trị thực được xác định [trên lớp phân phối được quy định] và chúng tôi muốn biết giá trị của [tại bất kỳ phân phối thực tế nào trong hiệu ứng, ]. Thật không may, và do đó , không xác định. Tuy nhiên, dữ liệu có thể được sử dụng để ước tính , một giá trị mà người ta hy vọng sẽ gần với .g θ θ g ( θ ) g ( θ ) g ( θ )
Nói cách khác: một công cụ ước tính là một thủ tục toán học xác định đi kèm với một số ( ước tính ) cho bất kỳ tập hợp dữ liệu có thể có mà một vấn đề cụ thể có thể tạo ra. Số đó được dự định để đại diện cho một số thuộc tính số xác định ( ) của quy trình tạo dữ liệu; chúng ta có thể gọi đây là "ước tính."
Bản thân công cụ ước tính không phải là một biến ngẫu nhiên: nó chỉ là một hàm toán học. Tuy nhiên, ước tính mà nó tạo ra dựa trên dữ liệu mà bản thân chúng được mô hình hóa thành các biến ngẫu nhiên. Điều này làm cho ước tính (được cho là tùy thuộc vào dữ liệu) thành một biến ngẫu nhiên và một ước tính cụ thể cho một tập hợp dữ liệu cụ thể trở thành hiện thực của biến ngẫu nhiên đó.
Trong một công thức bình phương nhỏ nhất (thông thường), dữ liệu bao gồm các cặp theo thứ tự . Các đã được xác định bằng thí nghiệm (họ có thể lượng một loại thuốc tiêm, ví dụ). Mỗi (ví dụ như phản ứng với thuốc) được giả sử đến từ phân phối xác suất là Bình thường nhưng không rõ nghĩa là và phương sai chung . Hơn nữa, người ta cho rằng các phương tiện có liên quan đến thông qua công thức . Ba tham số , vàx i y i μ i σ 2 x i μ i = β 0 + β 1 x i σ β 0 β 1 y i x i ( σ , beta 0 , β 1 ) β 0 β 1 cos ( σ + β 2 0 - β 1 ) x--determine phân phối cơ bản của cho bất kỳ giá trị nào của . Do đó, bất kỳ thuộc tính nào của phân phối đó đều có thể được coi là một hàm của . Ví dụ về các thuộc tính như vậy là chặn , độ dốc , giá trị của hoặc thậm chí là giá trị trung bình ở giá trị , (theo công thức này ) phải là .β 0 + 2 β 1
Trong ngữ cảnh OLS này, một ví dụ về công cụ ước tính sẽ là một thủ tục để đoán giá trị của nếu được đặt bằng 2. Đây không phải là công cụ ước tính vì giá trị này của là ngẫu nhiên (theo cách hoàn toàn tách biệt với tính ngẫu nhiên của dữ liệu): nó không phải là một thuộc tính (số xác định) của phân phối, mặc dù nó có liên quan đến phân phối đó. (Tuy nhiên, như chúng ta vừa thấy, kỳ vọng của cho , bằng với , có thể được ước tính.)x y y x = 2 β 0 + 2 β 1
Trong công thức của Lehmann, hầu hết mọi công thức đều có thể là công cụ ước tính của hầu hết mọi tài sản. Không có liên kết toán học vốn có giữa một người ước tính và một người ước tính. Tuy nhiên, chúng ta có thể đánh giá - trước - cơ hội mà một người ước tính sẽ gần hợp lý với số lượng mà nó dự định ước tính. Các cách để làm điều này, và cách khai thác chúng, là chủ đề của lý thuyết ước tính.
Tóm lại: một công cụ ước tính là một chức năng và một ước tính là một giá trị tóm tắt một mẫu được quan sát.
Công cụ ước tính là một hàm ánh xạ một mẫu ngẫu nhiên đến ước tính tham số:
x1,x2,. . . ,Xn μ = ¯ x =1
Có thể hữu ích để minh họa câu trả lời của người đánh bóng trong bối cảnh mô hình hồi quy tuyến tính. Giả sử bạn có một số dữ liệu hai biến và bạn sử dụng Bình phương tối thiểu thông thường để đưa ra mô hình sau:
Y = 6X + 1
Tại thời điểm này, bạn có thể lấy bất kỳ giá trị nào của X, cắm nó vào mô hình và dự đoán kết quả, Y. Theo nghĩa này, bạn có thể nghĩ về các thành phần riêng lẻ của dạng chung của mô hình ( mX + B ) làm công cụ ước tính . Dữ liệu mẫu (mà bạn có lẽ đã cắm vào mô hình chung để tính các giá trị cụ thể cho m và B ở trên) đã cung cấp một cơ sở để bạn có thể đưa ra các ước tính cho m và B tương ứng.
Phù hợp với các điểm của @ whuber trong luồng của chúng tôi bên dưới, bất kỳ giá trị nào của Y mà một bộ ước tính cụ thể tạo ra cho bạn, trong bối cảnh hồi quy tuyến tính, được coi là giá trị dự đoán.
(được chỉnh sửa - một vài lần - để phản ánh các bình luận bên dưới)
Giả sử bạn đã nhận được một số dữ liệu và bạn có một số biến quan sát được gọi là theta. Bây giờ dữ liệu của bạn có thể từ một phân phối dữ liệu, đối với phân phối này, có một giá trị tương ứng của theta mà bạn suy ra đó là một biến ngẫu nhiên. Bạn có thể sử dụng MAP hoặc có nghĩa là để tính toán ước tính của biến ngẫu nhiên này bất cứ khi nào phân phối dữ liệu của bạn thay đổi. Vì vậy, biến ngẫu nhiên theta được gọi là ước tính , một giá trị duy nhất của biến không quan sát được cho một loại dữ liệu cụ thể.
Trong khi công cụ ước tính là dữ liệu của bạn, cũng là một biến ngẫu nhiên. Đối với các loại phân phối khác nhau, bạn có các loại dữ liệu khác nhau và do đó bạn có ước tính khác nhau và do đó biến ngẫu nhiên tương ứng này được gọi là công cụ ước tính .