Punktschätzung
Die Punktschätzung untersucht, wie Daten durch eine einzige beste Schätzung eines unbekannten Parameters zusammengefasst werden können und wie beurteilt werden kann, ob ein Schätzer besser ist als ein anderer.
Definition
Die Punktschätzung ist der Zweig der statistischen Inferenz, der sich mit der Verwendung beobachteter Daten befasst, um einen einzelnen Wert, eine sogenannte Punktschätzung, als die bestmögliche Annäherung an einen unbekannten Populationsparameter zu erzeugen.
Scope
Dieser Bereich umfasst die Datenreduktion durch suffiziente und vollständige Statistiken, die Konstruktion von Schätzern mittels Maximum-Likelihood-Methode und Momentenmethode, die Bewertung von Schätzern durch Bias, Varianz und mittleren quadratischen Fehler, die Cramer-Rao-Informationsgrenze und den Begriff der Effizienz, die Rao-Blackwell- und Lehmann-Scheffe-Ansätze zu erwartungstreuen Schätzern mit minimaler Varianz sowie Bayes- und Shrinkage-Schätzer, die Bias gegen ein reduziertes Risiko eintauschen.
Sub-topics
Core questions
- Wie kann eine Stichprobe auf eine suffiziente Statistik reduziert werden, ohne Informationen über den Parameter zu verlieren?
- Was macht einen Schätzer besser als einen anderen, und wie kombinieren sich Bias und Varianz im mittleren quadratischen Fehler?
- Wie gering kann die Varianz eines erwartungstreuen Schätzers sein, und wann wird diese Grenze erreicht?
- Wann reduziert das Schrumpfen eines Schätzers in Richtung eines Priors oder eines festen Punktes sein Gesamtrisiko?
Key theories
- Suffizienz und der Faktorisierungssatz
- Eine suffiziente Statistik erfasst alle Stichprobeninformationen über einen Parameter; der Faktorisierungssatz identifiziert die Suffizienz aus der Art und Weise, wie die Likelihood von den Daten und dem Parameter abhängt, und die Vollständigkeit führt zur Eindeutigkeit erwartungstreuer Schätzer.
- Maximum-Likelihood-Schätzung
- Schätzung des Parameters, der die beobachteten Daten am wahrscheinlichsten macht; unter Regularitätsbedingungen ist der Maximum-Likelihood-Schätzer konsistent, asymptotisch normalverteilt und asymptotisch effizient.
- Cramer-Rao-Grenze und Effizienz
- Die Varianz jedes erwartungstreuen Schätzers ist nach unten durch den Kehrwert der Fisher-Information begrenzt; ein Schätzer, der diese Grenze erreicht, ist effizient, und die Rao-Blackwell- und Lehmann-Scheffe-Theoreme konstruieren erwartungstreue Schätzer mit minimaler Varianz.
Clinical relevance
Punktschätzer sind das Rückgrat der angewandten quantitativen Wissenschaft: Maximum Likelihood ist die Grundlage für die Anpassung statistischer und maschineller Lernmodelle, Shrinkage-Schätzer verbessern die Vorhersage bei hochdimensionalen Problemen, und die Fisher-Information bestimmt, wie präzise Experimente einen Parameter auflösen können, was Entscheidungen über Stichprobengröße und experimentelles Design beeinflusst.
History
Fisher führte in den 1920er Jahren Likelihood, Suffizienz, Information und Effizienz ein und begründete damit die moderne Schätztheorie. Rao und Cramer etablierten um 1945 die Varianzgrenze, Rao und Blackwell und später Lehmann und Scheffe vervollständigten die Theorie der erwartungstreuen Schätzung, und Steins Entdeckung der Inadmissibilität in drei oder mehr Dimensionen im Jahr 1956 eröffnete die Untersuchung von Shrinkage-Schätzern.
Key figures
- Ronald A. Fisher
- Calyampudi Radhakrishna Rao
- Erich L. Lehmann
- Charles Stein
Related topics
Seminal works
- lehmannCasella1998
Frequently asked questions
- Was ist der Unterschied zwischen einem Schätzer und einer Schätzung?
- Ein Schätzer ist eine Regel oder Funktion der Daten, die als Zufallsvariable betrachtet wird, bevor die Daten vorliegen; eine Schätzung ist der bestimmte numerische Wert, den der Schätzer annimmt, sobald die Daten beobachtet wurden.
- Ist ein erwartungstreuer Schätzer immer die beste Wahl?
- Nicht unbedingt. Ein verzerrter Schätzer kann einen kleineren mittleren quadratischen Fehler aufweisen als der beste erwartungstreue Schätzer, weshalb Shrinkage- und Bayes-Schätzer oft bevorzugt werden, wenn die Gesamtgenauigkeit wichtiger ist als eine Null-Verzerrung.