В статистике, теорема Лемана – Шеффе является выдающимся утверждением, объединяющим идеи полноты, достаточности, уникальности и наилучшей объективной оценки.. Теорема утверждает, что любая оценка, которая несмещена для данной неизвестной величины и которая зависит от данных только посредством полной, достаточной статистики - это единственная лучшая объективная оценка этой величины. Теорема Лемана – Шеффе названа в честь Эриха Лео Леманна и Генри Шеффе, учитывая их две ранние работы.
Если T является полной достаточной статистикой для θ и E (g (T)) = τ (θ), тогда g (T) является несмещенной оценкой (UMVUE) с равномерной минимальной дисперсией τ (θ).
Содержание
- 1 Утверждение
- 2 Пример использования неполной минимально достаточной статистики
- 3 См. Также
- 4 Ссылки
Заявление
Пусть случайная выборка из распределения, имеющего pdf (или pmf в дискретном случае) где - параметр в пространстве параметров. Предположим, что является достаточной статистикой для θ, и пусть быть полным семейством. Если , то - уникальный MVUE для θ.
Доказательство
Согласно теореме Рао – Блэквелла, если является несмещенной оценкой θ, то определяет несмещенную оценку θ с свойство, что его дисперсия не больше, чем у .
Теперь мы покажем, что эта функция уникальна. Предположим, что является другим кандидатом оценки MVUE для θ. Затем снова определяет несмещенную оценку θ со свойством, что его дисперсия не превышает дисперсию . Тогда
Поскольку представляет собой полное семейство
и поэтому функция является уникальной функцией Y с дисперсией не больше чем у любого другого объективного оценщика. Мы заключаем, что - это MVUE.
Пример использования неполной минимальной достаточной статистики
Пример улучшаемого улучшения Рао – Блэквелла при использовании минимальной достаточной статистики, которая неполна, был предоставлен Галили и Мейлиджсоном в 2016 году. Пусть будет случайной выборкой из шкалы- равномерное распределение с неизвестным средним и известным параметром конструкции . При поиске "наилучших" возможных объективных оценок для естественно рассматривать в качестве начальной (грубой) объективной оценки для , а затем попытайтесь его улучшить. Поскольку не является функцией , минимальная достаточная статистика для (где и ), его можно улучшить с помощью теоремы Рао – Блэквелла следующим образом:
Однако можно показать, что следующая несмещенная оценка имеет меньшую дисперсию:
Фактически, его можно было бы еще улучшить, используя следующую оценку :
См. Также
Ссылки