充分性与完备性

充分统计量在不丢失任何参数信息的情况下压缩样本；完备性增加了唯一性，将这种压缩转化为最优估计。

Definition

如果给定统计量的数据的条件分布不依赖于参数，则该统计量对于该参数是充分的；如果它的非平凡函数对于每个参数值都没有期望为零，则它是完备的。

Scope

本主题涵盖充分性的定义、费希尔-内曼分解定理、最小充分统计量及其寻找方法、完备统计量和有界完备统计量、指数族的作用、辅助统计量以及巴苏定理（关于完备充分统计量与任何辅助统计量独立性）的内容。

Core questions

• 分解定理如何让人们直接从似然中读出充分性？
• 什么是最小充分统计量，以及如何构建它？
• 为什么完备性保证了统计量的无偏函数是唯一的？
• 巴苏定理如何利用完备性在不进行计算的情况下证明独立性？

Key theories

分解定理

当且仅当联合密度可以分解为仅通过该统计量和参数依赖于数据的一部分，以及仅依赖于数据的一部分时，该统计量是充分的。

完备性与巴苏定理

完备性确保了基于统计量的无偏估计量的唯一性；巴苏定理指出，完备充分统计量与每个辅助统计量都是独立的。

Clinical relevance

将数据简化为充分统计量，证明了通过少量数字总结大型数据集而不会丢失信息的合理性，这是高效存储、摘要报告设计以及整个应用统计学中使用的最优估计量构建的基础。

History

费希尔于1922年引入了充分性，将其定义为统计量不丢失信息的属性。内曼给出了分解判据，莱曼和谢费在20世纪50年代发展了完备性；巴苏于1955年证明了他的独立性定理，将这些概念联系起来。

Key figures

• Ronald A. Fisher
• Jerzy Neyman
• Debabrata Basu
• Erich L. Lehmann

Seminal works

• lehmannCasella1998

Frequently asked questions

为什么充分统计量很有用？

它允许您用更小的摘要替换完整数据集，同时保留数据中关于参数的每一位信息，从而在不损失任何信息的情况下简化推断。

什么是辅助统计量？

其分布不依赖于参数的统计量；根据巴苏定理，它与任何完备充分统计量都是独立的，这通常用于简化概率计算。