Estimación Puntual
La estimación puntual estudia cómo resumir los datos mediante una única mejor estimación de un parámetro desconocido, y cómo juzgar si un estimador es mejor que otro.
Definition
La estimación puntual es la rama de la inferencia estadística que se ocupa de utilizar datos observados para producir un valor único, denominado estimación puntual, como la mejor aproximación disponible a un parámetro poblacional desconocido.
Scope
Esta área abarca la reducción de datos mediante estadísticas suficientes y completas, la construcción de estimadores por máxima verosimilitud y el método de los momentos, la evaluación de estimadores a través del sesgo, la varianza y el error cuadrático medio, la cota de información de Cramer-Rao y la noción de eficiencia, las rutas de Rao-Blackwell y Lehmann-Scheffe hacia estimadores insesgados de varianza mínima, y los estimadores bayesianos y de contracción que intercambian sesgo por un riesgo reducido.
Sub-topics
Core questions
- ¿Cómo se puede reducir una muestra a un estadístico suficiente sin perder información sobre el parámetro?
- ¿Qué hace que un estimador sea mejor que otro, y cómo se combinan el sesgo y la varianza en el error cuadrático medio?
- ¿Qué tan baja puede ser la varianza de un estimador insesgado, y cuándo se alcanza ese límite?
- ¿Cuándo la contracción de un estimador hacia un prior o un punto fijo reduce su riesgo general?
Key theories
- Suficiencia y el teorema de factorización
- Un estadístico suficiente captura toda la información de la muestra sobre un parámetro; el teorema de factorización identifica la suficiencia a partir de cómo la verosimilitud depende de los datos y el parámetro, y la completitud produce la unicidad de los estimadores insesgados.
- Estimación por máxima verosimilitud
- Estimar el parámetro que hace que los datos observados sean más probables; bajo condiciones de regularidad, el estimador de máxima verosimilitud es consistente, asintóticamente normal y asintóticamente eficiente.
- Cota de Cramer-Rao y eficiencia
- La varianza de cualquier estimador insesgado está acotada inferiormente por el recíproco de la información de Fisher; un estimador que alcanza esta cota es eficiente, y los teoremas de Rao-Blackwell y Lehmann-Scheffe construyen estimadores insesgados de varianza mínima.
Clinical relevance
Los estimadores puntuales son la base de la ciencia cuantitativa aplicada: la máxima verosimilitud subyace al ajuste de modelos estadísticos y de aprendizaje automático, los estimadores de contracción mejoran la predicción en problemas de alta dimensionalidad, y la información de Fisher rige la precisión con la que los experimentos pueden resolver un parámetro, informando las decisiones sobre el tamaño de la muestra y el diseño experimental.
History
Fisher introdujo la verosimilitud, la suficiencia, la información y la eficiencia en la década de 1920, fundando la teoría moderna de la estimación. Rao y Cramer establecieron la cota de varianza alrededor de 1945, Rao y Blackwell y más tarde Lehmann y Scheffe completaron la teoría de la estimación insesgada, y el descubrimiento de Stein en 1956 de la inadmisibilidad en tres o más dimensiones abrió el estudio de la contracción.
Key figures
- Ronald A. Fisher
- Calyampudi Radhakrishna Rao
- Erich L. Lehmann
- Charles Stein
Related topics
Seminal works
- lehmannCasella1998
Frequently asked questions
- ¿Cuál es la diferencia entre un estimador y una estimación?
- Un estimador es una regla o función de los datos, vista como una variable aleatoria antes de que se observen los datos; una estimación es el valor numérico particular que toma el estimador una vez que se observan los datos.
- ¿Es un estimador insesgado siempre la mejor opción?
- No necesariamente. Un estimador sesgado puede tener un error cuadrático medio menor que el mejor estimador insesgado, razón por la cual los estimadores de contracción y bayesianos a menudo se prefieren cuando la precisión general importa más que un sesgo nulo.