Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Оценка не только минимизирует сумму взвешанных квадратичных отклонений S(), но и обладает рядом других свойств.
Несмещенность.
Оценка параметра называется несмещенной, если ее математическое ожидание равно оцениваемому (истинному) значению параметра.
Если - МНК-оценка, то можно доказать, что
,
т.е. -несмещенная оценка.
Это означает, что если сделать 100 экспериментов и определить Е(), то при несмещенной оценке среднее значение Е() будет стремиться к . Несмещенность оценки позволяет получить еще один практически очень важный вывод:
Согласно неравенству Чебышева для случайной величины z с любым законом распределения справедливы соотношения:
или
где >0- произвольное число,
- дисперсия случайной величины z.
Если оценка несмещенная, то -мала, следовательно малы члены .
Т.е. при малой дисперсии , т.е. при несмещенной оценке, с большой вероятностью мало отличается от .
Отсюда можно сделать вывод:
Если сделать один эксперимент (а не 100), и получить несмещенную оценку , то она с большой вероятностью мало отличается от .
2. Состоятельность.
Оценка параметра состоятельна, если при увеличении объема выборки она стремится к истинному значению параметра. Можно показать, что МНК-оценка ,полученная в результате N-измерений, будет состоятельной, т.е. при вероятность того, что длина вектора , т.е. этого не будет.
Отсюда вывод: в рамках одного эксперимента целесообразно увеличивать количество измерений N, т.к. при состоятельной оценке(а МНК-оценка состоятельна), она стремится при росте N к истинному значению.
3. Наилучшая линейнаянесмещеннаяоценка. (НЛН-оценка).
Любую оценку вектора будем называть линейной, если она определяется через вектор измеряемой величины. То есть линейная оценка записывается , где Т ‑ какая-либо матрица.
Т.е. ‑ есть линейная комбинация измеренных значений.
Обозначим через ą ‑ множество всех возможных несмещенных оценок вектора . (ą – а готическое)
Оценка из ą называется наилучшей линейной несмещенной оценкой вектора , если (*)
Здесь -любая оценка из ą.
и - дисперсионная (ковариационная) матрица случайного вектора и , каждый элемент которой dij определяется выражением:
(1.19)
Диагональные элементы матрицы и -это дисперсии координат вектора .
(1.20)
Замечания к формуле (*):
Матричное неравенство А В, где А и В-матрицы размерности ,означает, что для любого вектора размерности m выполняется неравенство:
Условие (*) не очень наглядно. Однако из него вытекают следующие полезные свойства НЛН-оценок:
а) (1.21)
Т.е. дисперсия каждой из координат вектора НЛН-оценки является наименьшей по сравнению с дисперсией той же координаты произвольной линейной несмещенной оценки. Значит, в силу неравенства Чебышева для НЛН-оценки (как обладающей минимальной дисперсией) увеличивается вероятность того, что отличается по модулю от меньше, чем на .
б) (1.22)
При нормальном законе распределения случайной величины определитель дисперсионной матрицы выражает объем эллипсоида в m-мерном пространстве параметров . Его центр находится в точке , а внутри эллипсоида с заданной вероятностью располагается оценка . Чем меньше определитель, тем плотнее примыкают оценки к истинному значению.
Можно показать, что МНК-оценки являются одновременно и НЛН-оценками, т. е.
4. Эффективность.
Оценка эффективна, если она характеризуется наименьшей дисперсией. Т. к. МНК-оценка является НЛН-оценкой, то в соответствии с (*) она обладает наименьшей дисперсией.
Таким образом, НЛН-оценки и МНК-оценки эффективны в классе линейных несмещенных оценок.
5. Дисперсионная матрица совпадает с матрицей, обратной информационной матрице Фишера.
=М-1
6. Наилучшей линейной оценкой поверхности отклика является регрессионная модель, в которой коэффициенты получены методом наименьших квадратов, т. е. с помощью МНК-оценок.
В этом случае дисперсия поверхности отклика:
Функция называется коридором ошибок. Она характеризует разброс МНК-оценок (НЛН) поверхности отклика от ее истинных значений.
Дата публикования: 2015-02-20; Прочитано: 707 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!