برآورد نقطهای
برآورد نقطهای به مطالعه چگونگی خلاصه کردن دادهها با یک بهترین حدس منفرد از یک پارامتر ناشناخته و چگونگی قضاوت در مورد اینکه آیا یک برآوردگر بهتر از دیگری است، میپردازد.
Definition
برآورد نقطهای شاخهای از استنباط آماری است که به استفاده از دادههای مشاهدهشده برای تولید یک مقدار منفرد، به نام برآورد نقطهای، به عنوان بهترین تقریب موجود برای یک پارامتر جامعه ناشناخته میپردازد.
Scope
این حوزه شامل کاهش دادهها از طریق آمارههای کافی و کامل، ساخت برآوردگرها با استفاده از حداکثر درستنمایی و روش گشتاورها، ارزیابی برآوردگرها از طریق اریبی، واریانس و میانگین مربع خطا، کران اطلاعاتی کرامر-رائو و مفهوم کارایی، مسیرهای رائو-بلکول و لمان-شفه برای برآوردگرهای نااریب با حداقل واریانس، و برآوردگرهای بیزی و انقباضی است که اریبی را با کاهش ریسک معاوضه میکنند.
Sub-topics
Core questions
- چگونه میتوان یک نمونه را به یک آماره کافی بدون از دست دادن اطلاعات در مورد پارامتر کاهش داد؟
- چه چیزی یک برآوردگر را بهتر از دیگری میکند و چگونه اریبی و واریانس در میانگین مربع خطا ترکیب میشوند؟
- واریانس یک برآوردگر نااریب چقدر میتواند پایین باشد و چه زمانی این کران به دست میآید؟
- چه زمانی انقباض یک برآوردگر به سمت یک پیشین یا یک نقطه ثابت، ریسک کلی آن را کاهش میدهد؟
Key theories
- کفایت و قضیه فاکتورگیری
- یک آماره کافی تمام اطلاعات نمونه در مورد یک پارامتر را در بر میگیرد؛ قضیه فاکتورگیری کفایت را از نحوه وابستگی درستنمایی به دادهها و پارامتر شناسایی میکند، و کامل بودن منجر به منحصر به فرد بودن برآوردگرهای نااریب میشود.
- برآورد حداکثر درستنمایی
- برآورد پارامتری که دادههای مشاهدهشده را محتملترین میسازد؛ تحت شرایط منظم، برآوردگر حداکثر درستنمایی سازگار، مجانباً نرمال و مجانباً کارآمد است.
- کران کرامر-رائو و کارایی
- واریانس هر برآوردگر نااریب از پایین توسط معکوس اطلاعات فیشر محدود میشود؛ برآوردگری که به این کران دست یابد، کارآمد است، و قضایای رائو-بلکول و لمان-شفه برآوردگرهای نااریب با حداقل واریانس را میسازند.
Clinical relevance
برآوردگرهای نقطهای ستون فقرات علم کمی کاربردی هستند: حداکثر درستنمایی زیربنای برازش مدلهای آماری و یادگیری ماشین است، برآوردگرهای انقباضی پیشبینی را در مسائل با ابعاد بالا بهبود میبخشند، و اطلاعات فیشر تعیین میکند که آزمایشها با چه دقتی میتوانند یک پارامتر را تفکیک کنند و به تصمیمگیری در مورد اندازه نمونه و طراحی آزمایش کمک میکند.
History
فیشر در دهه 1920 مفاهیم درستنمایی، کفایت، اطلاعات و کارایی را معرفی کرد و نظریه مدرن برآورد را بنیان نهاد. رائو و کرامر کران واریانس را در حدود سال 1945 تعیین کردند، رائو و بلکول و بعدها لمان و شفه نظریه برآورد نااریب را تکمیل کردند، و کشف عدم پذیرش استاین در سال 1956 در سه یا چند بعد، مطالعه انقباض را آغاز کرد.
Key figures
- Ronald A. Fisher
- Calyampudi Radhakrishna Rao
- Erich L. Lehmann
- Charles Stein
Related topics
Seminal works
- lehmannCasella1998
Frequently asked questions
- تفاوت بین یک برآوردگر و یک برآورد چیست؟
- یک برآوردگر یک قاعده یا تابعی از دادهها است که قبل از مشاهده دادهها به عنوان یک متغیر تصادفی در نظر گرفته میشود؛ یک برآورد مقدار عددی خاصی است که برآوردگر پس از مشاهده دادهها به خود میگیرد.
- آیا یک برآوردگر نااریب همیشه بهترین انتخاب است؟
- لزوماً خیر. یک برآوردگر اریب میتواند میانگین مربع خطای کوچکتری نسبت به بهترین برآوردگر نااریب داشته باشد، به همین دلیل است که برآوردگرهای انقباضی و بیزی اغلب زمانی ترجیح داده میشوند که دقت کلی مهمتر از اریبی صفر باشد.