【统计学学习笔记】第六章 参数估计（Parameter estimation）

第六章 参数估计（Parameter estimation）

样本估计整体：

在统计学中，由于大多数情况下难以获得总体的情况，所以人们通常选择通过样本去估计总体（主要是通过样本的统计量估计总体的统计量）。

参数估计：通常为**已知样本分布（通常为正态分布）**的情况下

由于知道每个样本的具体的值，故能知道样本的所有的数值特征
可以利用样本的参数（主要是$\bar{x}$xˉ和$s^{2}$s2）对总体对应的参数（$\mu$μ和$\sigma^{2}$σ2）进行估计。

参数估计方法：

参数估计有两种方法分别是：点估计和区间估计

点估计（Point estimate for a parameter）:又包括矩估计和最大似然估计。

点估计：

矩估计

矩估计直接用样本的统计量代替相应总体的统计量较为直白、粗暴，胜在简单：

利用如下公式直接对参数进行估计：
其中，$A_{k}$Ak​是$x$x的$k$k阶原点矩。
$A_{k} = \dfrac{1}{n}\sum_{i=1}^{n}x_{i}^{k}$Ak​=n1​i=1∑n​xik​

1. 期望估计（一阶原点矩）
   $A_{1} = E(x) = \bar{x}$A1​=E(x)=xˉ

2. 方差估计（二阶原点距）
   $A_{2} = E(x^{2}) = D(x) + \left[E(x)\right]^{2}$A2​=E(x2)=D(x)+[E(x)]2

最大似然估计

最大似然估计认为：出现所得到的观测值的原因，是因为其出现概率最大，具体计算操作此处暂不涉及。

评价标准：如果判断一个估计量是好是坏？

判断一个估计量的好坏：首先要以不存在系统性偏差为前提（期望相同）；在这个前提下误差越小越好（方差更下）；同时样本数越多，估计的越准（依概率收敛于被估计参数）。

1. 无偏性：估计量的数学期望等于被估计参数。【期望相同】
2. 有效性：均为无偏时，方差小的有效性更强。【方差更小】
3. 一致性：随着样本量的增大，估计值接近被估计参数。【收敛于被估计参数】

区间估计：

区间估计认为，小概率事件不会在一次实验中发生，故可以利用分位数确定参数所在区间范围。

考虑到样本参数直接等于总体参数的可能性接近于0，区间估计对齐进行优化：增加可能存在的误差区间【这个误差的大小由置信水平$1-\alpha $决定（$决定（\alpha$可以当做犯错误的概率）】

• 若要求犯错的概率越低，那么误差的水平将会越大。
• 若要求误差的水平越小，那么犯错的概率将会越高。

这是建立在已知信息（即样本的数量）不变的情况下，如果增大信息量（即增加样本量）那么可以同时减少误差和犯错概率！

林德伯格中心极限定理：保证正态总体前提

抛开数学公式的解释就是：当样本量足够大的时候，样本的分布将可以近似为正态分布，而如果已知是正态分布，那么一切都变得好办了起来。

注：图片来自知乎，作者慧航,如有侵权，请联系删除。

由此中心极限定理，可以将很多未知分布的问题转化为正态分布的问题，使得问题变得可以研究。因此接下来所讨论的问题均在已知正态总体的情况下进行讨论。

单个总体：

估计均值：

如果需要对整体均值（$\mu$μ）进行估计，按照整体方差（$\sigma^{2}$σ2）已知或未知分成两种不同的情况。分别采用$z$z（也可是说$u$u，下文统一用$z$z）统计量或者$t$t统计量。

待估参数	其他参数（$\sigma$σ）	统计量	置信区间
$\mu $	未知	$t=\dfrac{\bar{x}-\mu}{s/\sqrt{n}}\sim t\left(n-1\right)$t=s/n​xˉ−μ​∼t(n−1)	$\left[\bar{x}\pm t_{\alpha/2}\dfrac{s}{\sqrt{n}}\right]$[xˉ±tα/2​n​s​]
$\mu $	已知	$z=\dfrac{\bar{x}-\mu}{\sigma/\sqrt{n}}\sim N\left(0,1\right)$z=σ/n​xˉ−μ​∼N(0,1)	$\left[\bar{x}\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt{n}}\right]$[xˉ±zα/2​n​σ​]

注：在大样本（统计学中认为$n\geq 30$n≥30的，可以称之为大样本）的情况下，即使总体方差未知也可以使用$z$z统计量进行估计。（从操作难度上来看，选择$z$z或者$t$t作为统计量是一样的）

1. SPSS中只有t检验
2. $z$z和$t$t统计量的主要区别在于$t$t统计量厚尾

估计方差：

如果需要对整体方差（$\sigma^{2}$σ2）进行估计，按照整体均值（ $\mu$μ ）已知或未知分成两种不同的情况，由于已知均值未知方差情况过于少见（以至于大多数教材都未列出），且二者差异只在*度不同。此处只对$\mu$μ未知的情况进行研究讨论。

待估参数	其他参数（$\mu $）	统计量	置信区间
$\sigma$σ	未知	$\chi^{2}=\dfrac{(n-1)S^{2}}{\sigma^{2}}\sim \chi^{2}\left(n-1\right)$χ2=σ2(n−1)S2​∼χ2(n−1)	$\left[\dfrac{(n-1)S^{2}}{\chi^{2}_{\alpha/2}(n-1)},\dfrac{(n-1)S^{2}}{\chi^{2}_{1-\alpha/2}(n-1)}\right]$[χα/22​(n−1)(n−1)S2​,χ1−α/22​(n−1)(n−1)S2​]

两个总体：

两个总体的估计，主要有估计均值之差和估计方差之比两种情况，基本思路是将两总体转化为单总体再进行操作。所以具体的操作步骤和单总体操作基本类似，只是由于总体变成了两个，新增了一个分类维度，叫做“均值是否相同”。

分类：

• 独立样本：两个样本是从两个相互独立的总体中抽取得到的。

• 匹配样本：一个样本的数据与另一个样本中的数据相互对应。

  如一组学生的语文成绩和数学成绩，一个学生对应两个成绩，且每个语文成绩都有与齐相互对应的数学成绩。

独立样本估计均值之差：

1. 方差已知的情况下，无论样本大小，对参数进行估计，均采用$z$z统计量。

统计量	置信区间
${z}=\dfrac{\left(\overline{{x}}_{1}-\overline{{x}}_{2}\right)-\left(\mu_{1}-\mu_{2}\right)}{\sqrt{\dfrac{\sigma_{1}^{2}}{n_{1}}+\dfrac{\sigma_{2}^{2}}{n_{2}}}}$z=n1​σ12​​+n2​σ22​​​(x1​−x2​)−(μ1​−μ2​)​	$\left[\left(\overline{{x}}_{1}-\overline{{x}}_{2}\right) \pm {z}_{\alpha / 2} \sqrt{\dfrac{\sigma_{1}^{2}}{{n}_{1}}+\dfrac{\sigma_{2}^{2}}{{n}_{2}}}\right]$[(x1​−x2​)±zα/2​n1​σ12​​+n2​σ22​​​]

2. 方差未知的情况下，需要对样本的大小进行讨论，采用不同的方法

• 大样本情况下的均值之差估计，不需要考虑总体方差是否相同

统计量	置信区间
${z}=\dfrac{\left(\overline{{x}}_{1}-\overline{{x}}_{2}\right)-\left(\mu_{1}-\mu_{2}\right)}{\sqrt{\dfrac{s_{1}^{2}}{n_{1}}+\dfrac{s_{2}^{2}}{n_{2}}}}$z=n1​s12​​+n2​s22​​​(x1​−x2​)−(μ1​−μ2​)​	$\left[\left(\overline{{x}}_{1}-\overline{{x}}_{2}\right) \pm {z}_{\alpha / 2} \sqrt{\dfrac{s_{1}^{2}}{{n}_{1}}+\dfrac{s_{2}^{2}}{{n}_{2}}}\right]$[(x1​−x2​)±zα/2​n1​s12​​+n2​s22​​​]

• 小样本情况下的均值之差估计：在小样本的情况下，若方差已知。

	方差相同	方差不同
统计量	${t}=\dfrac{\left(\overline{{x}}_{1}-\overline{{x}}_{2}\right)-\left(\mu_{1}-\mu_{2}\right)}{{s}_{{p}} \sqrt{1 / {n}_{1}+1 / {n}_{2}}} \sim {t}\left({n}_{1}+{n}_{2}-2\right)$t=sp​1/n1​+1/n2​​(x1​−x2​)−(μ1​−μ2​)​∼t(n1​+n2​−2)	${t}= \dfrac{\overline{{x}}_{1}-\overline{{x}}_{2}}{\sqrt{\dfrac{{s}_{1}^{2}}{{n}_{1}}+\dfrac{{s}_{2}^{2}}{{n}_{2}}}}\sim t\left(v\right)$t=n1​s12​​+n2​s22​​​x1​−x2​​∼t(v)
置信区间	$\left[\left(\bar{x}_{1}-\bar{x}_{2}\right) \pm t_{\alpha / 2}\left(n_{1}+n_{2}-2\right) \sqrt{s_{p}^{2}\left(1 / n_{1}+1 / n_{2}\right)}\right]$[(xˉ1​−xˉ2​)±tα/2​(n1​+n2​−2)sp2​(1/n1​+1/n2​)​]	$\left[\left(\overline{{x}}_{1}-\overline{{x}}_{2}\right) \pm {t}_{\alpha/2}({v}) \sqrt{\dfrac{{s}_{1}^{2}}{{n}_{1}}+\dfrac{{s}_{2}^{2}}{{n}_{2}}}\right]$[(x1​−x2​)±tα/2​(v)n1​s12​​+n2​s22​​​]
参数信息	$s_{p}^{2}=\dfrac{\left(n_{1}-1\right) s_{1}^{2}+\left(n_{2}-1\right) s_{2}^{2}}{n_{1}+n_{2}-2}$sp2​=n1​+n2​−2(n1​−1)s12​+(n2​−1)s22​​	${v}=\dfrac{\left(\dfrac{{s}_{1}^{2}}{{n}_{1}}+\dfrac{{s}_{2}^{2}}{{n}_{2}}\right)^{2}}{\dfrac{\left({s}_{1}^{2} / {n}_{1}\right)^{2}}{{n}_{1}-{1}}+\dfrac{\left({s}_{2}^{2} / {n}_{2}\right)^{2}}{{n}_{2}-{1}}}$v=n1​−1(s12​/n1​)2​+n2​−1(s22​/n2​)2​(n1​s12​​+n2​s22​​)2​

匹配样本估计均值之差

使用匹配样本可以排除由于样本本身的差异对结果造成的影响，下边列出方差未知情况下的匹配样本均值之差的参数估计

	统计量	置信区间
大样本	${z}=\dfrac{\bar{d}}{\sigma_{d}/\sqrt{n}}\sim N\left(0,1\right)$z=σd​/n​dˉ​∼N(0,1)	$\left[\bar{d} \pm {z}_{\alpha / 2} \dfrac{\sigma_{d}}{\sqrt{n}}\right]$[dˉ±zα/2​n​σd​​]
小样本	${z}=\dfrac{\bar{d}}{s_{d}/\sqrt{n}}\sim t_{\alpha}\left(n-1\right)$z=sd​/n​dˉ​∼tα​(n−1)	$\left[\bar{d} \pm {z}_{\alpha / 2} \dfrac{s_{d}}{\sqrt{n}}\right]$[dˉ±zα/2​n​sd​​]

其中：

• $\bar{d}$dˉ：样本各差值的均值：

$d = \dfrac{\sum{X_{1i}-X_{2i}}}{n_{d}}$d=nd​∑X1i​−X2i​​

• $\sigma_{d}$σd​：总体各差值的标准差，$s_{d}$sd​：样本各插值的标准差：

$s_d = \sqrt{\dfrac{\sum{\left(d_{i}-\bar{d}\right)^{2}}}{n_{d}-1}}$sd​=nd​−1∑(di​−dˉ)2​​

估计方差之比：

估计方差之比，先构造卡方统计量，对方差进行估计；再利用估计的方差做比，构造F统计量，从而求出方差之比的参数估计范围。由于应用较少，在此略去不表。（有时间再填这个坑吧）

思维导图：