В статистике, точечная оценка включает использование выборки данных для вычисления единственного значения (известного как точечная оценка, поскольку она определяет точка в некотором пространстве параметров ), которая должна служить «наилучшим предположением» или «наилучшей оценкой» неизвестной совокупности параметра (например, среднее значение для населения ). Более формально это применение точечной оценки к данным для получения точечной оценки.
Точечную оценку можно противопоставить интервальной оценке : такие интервальные оценки обычно представляют собой либо доверительные интервалы, в случае частотного вывода, либо достоверные интервалы в случае байесовского вывода.
Существует множество точечных оценщиков, каждая из которых имеет разные свойства.
Байесовский вывод обычно основан на апостериорном распределении. Многие байесовские точечные оценки представляют собой статистику апостериорного распределения центральной тенденции, например, ее среднее значение, медиана или мода:
Оценщик MAP имеет хорошие асимптотические свойства, даже для многих сложных проблем, на которых оценщик максимального правдоподобия имеет трудности. Для обычных задач, где оценка максимального правдоподобия согласована, оценка максимального правдоподобия в конечном итоге согласуется с оценкой MAP. По теореме Вальда байесовские оценки допустимы.
Точечная оценка минимальной длины сообщения (MML ) основана на байесовской информации теория и не имеет прямого отношения к апостериорному распределению.
Особые случаи байесовских фильтров важны:
несколько методы из вычислительной статистики имеют тесную связь с байесовским анализом: