1 参考书籍
- 概率论与数理统计(第二版)-茆诗松
- 概率论与数理统计(第四版)-盛骤
- 统计学(第四版)-贾俊平
- 计量经济学(第三版)-李子奈
- Probability and Statistics (4th)-Morris H. DeGroot
2 参数估计
最小二乘法(勒让德)
贝叶斯估计法(贝叶斯)
矩估计法(卡尔·皮尔逊)
极大似然估计(费歇尔)
2.1 矩估计
样本矩估计总体矩, 不需要知道总体的分布, 几个未知参数, 构造几个\(A_k\), 解方程组.
使用\(A_k\)估计\(\mu_k\): \(\hat{\mu_k} = A_k\)
\[ A_k = \frac{1}{n}\sum_{i=1}^nx_i^k \]
方法(k个位置参数):
矩方程组: \(\mu_j = g_j(\theta_1, \theta_2, \cdots, \theta_k)\)
解方程组: \(\theta_j = h_j(\mu_1, \mu_2, \cdots, \mu_k)\)
样本估计: \(\hat{\theta_j} = h_j(A_1, A_2, \cdots, A_k)\)
样本值带入计算
优点: 简单,总体分布可以不知道 缺点: 不唯一, 受样本异常值影响大, 不稳健
2.2 极大似然估计(MLE)
Book:概率论与数理统计(第二版)-茆诗松, 例5.3.1, 黑白球
思想:
总体分布已知, 参数\(\theta\)可能的取值, 取使样本观测值的概率最大的\(\theta\)作为\(\hat\theta\)估计
容量为n的样本, n个观测值出现的联合分布\(\prod_{i = 1}^np(x_i; \theta)\)
似然函数(关于参数的函数):
\[ L(\theta) = \prod_{i=1}^np(x_i, \theta) \]
极大似然:
\[ L(\hat{\theta}) = \underset{\theta \in \Theta}{max}L(\theta) \]
2.3 评价估计量的标准
无偏性: 多次抽样, 抽样分布的数学期望等于被估计的总体的参数. \(E(\hat{\theta}) = \theta, \text(\theta 无偏无偏估计量)\)
有效性: E(-100, 100) = 0, E(-10, 10) = 0, 但是明显后者更有效
一致性: 样本量越大越接近总体参数, 例如: 样本均值抽样分布的方差\(\sigma/\sqrt{n}\), n越大, 方差越小, 越有效.
2.4 区间估计
2.4.1 如何理解
通过一次抽样样本的估计量去估计总体参数, 这个估计到底有多接近总体的参数, 一般我们以样本估计值为中心画一个区域, 那么总体参数的真值有可能在该区域内, 也可能不在, 我们称这个区域叫置信区间(\(1-\alpha\)), 我们把通过构造一个以样本参数的估计值为中心的区间, 来考察这个区间有多大的可能性包含总体参数真值, 这个检验方法叫参数的置信区间估计.
2.4.2 单总体均值的估计
统计量: z(正态分布), t(t-分布), 对称分布
\[ \begin{cases} z = \frac{\bar{x} - \mu}{\sigma/\sqrt{n}} \sim \ N(0, 1) & \text{总体方差已知} \\ t = \frac{\bar{x} - \mu}{\mathcal{S}/\sqrt{n}} \sim \ t(n-1) & \text{总体方差未知, 且小样本} \\ z = \frac{\bar{x} - \mu}{\mathcal{S}/\sqrt{n}} \sim \ N(0, 1) & \text{总体方差未知, 且大样本} \\ \end{cases} \]
2.4.3 单总体方差的估计
统计量: \(\chi^2\)(\(\chi^2\)-分布), 偏态分布
2.5 贝叶斯估计
3 假设检验
参数估计使用样本信息估计总体参数, 假设检验则是先假设总体的某个参数的值, 然后判断H0的显著性
本章的参数一般指: T检验统计量
3.1 原理
基本思想: 概率性质的反正法(根据小概率事件原理: 小概率事件在一次随机试验是几乎不可能发生的)
3.2 拒绝域
拒绝域\(W\), 接受域\(A\)
如果给定了总体的分布以及显著性水平\(\alpha\), 则拒绝域就可以定了.
3.3 假设
H0: (1)普遍被认为的道理 (2)拒绝它后果很严重(比如, 药效)
H1: (1)研究人员想要证明的
例如:
- H0: 运动健康
- H0: 这个药无效
- H1: 新方法改善效率
一般H0没有\(\neq\)的假设, 但可以含有等号"\(\leqslant\), \(\geqslant\)"
临界值由\(\mu = \mu_0\) (\(1-\alpha\)的自信区间)的U分布决定 \(U = \dfrac{\bar{X} - \mu_0}{\sigma/\sqrt{n}} \ \sim \ N(0, 1)\)
\[ z = \dfrac{\bar{X} - \mu_0}{\sigma/\sqrt{n}} \]
拒绝域由H1决定
均值假设检验(\(\mu\)是变量, \(\mu_0\)是已知量均值):
| 类型 | H1统计变量 | 临界值 | 拒绝域 |
|---|---|---|---|
| 右边检测 | \(\mu > \mu_0\) | \(\mu_{1-\alpha}\) | \(\mu > \mu_{1-\alpha}\) |
| 左边检测 | \(\mu < \mu_0\) | -\(\mu_{1-\alpha}\) | \(\mu < -\mu_{1-\alpha}\) |
| 双侧检测 | \(\mu \neq \mu_0\) | \(\mu_{1-\alpha/2} \quad -\mu_{1-\alpha/2}\) | \(\mu > \mu_{1- \alpha/2} \quad \mu < -\mu_{1-\alpha/2}\) |
3.4 P值
为什么有P值, 用临界值有什么弊端? P值用来说明什么的?
以前为了计算方便, 通常将统计量标准化转换, 计算z值, 现在计算能力的发展, 容易计算P值, P值是个概率, 和H0假设差距的概率
假设H0是对的, 根据样本计算出来的估计统计量(均值)的实际数据与原假设H0之间不一致的概率, 与\(\alpha\)对比, P值越小, H0越不靠谱
3.5 总体检验
3.5.1 一个总体参数检验
适用于均值,方差和比率
统计量: \(z, t, \chi^2\)
\(\chi^2\): 来之标准正态总体的n个随机变量的平方之和, \(\sum_{i = 0}^{n}(\frac{x_i - \bar{x}}{\sigma})^2\)
$$ \[\begin{alignat}{1} z = \frac{\bar{x} - \mu_0}{\sigma/\sqrt{n}} \qquad & \text{大样本均值检验统计量} \\ t = \frac{\bar{x} - \mu_0}{s_2/\sqrt{n}} \qquad & \text{小样本均值检验统计量} \\ z = \frac{p - \pi_0}{\sqrt{\frac{\pi_0(1-\pi_0)}{n}}} \qquad & \text{大样本比率检验统计量} \\ \chi^2 = \frac{(n-1)s^2}{\sigma^2} \qquad & \text{方差检验统计量} \end{alignat}\] $$
|
| 样本量
| |
| 大 | 小
| +--------------+------------------+
| | |
| | |
| 统计量 总体方差
| z |
| 已知 | 未知
| +----------+--------+
| | |
| | |
| 统计量 统计量
| z t
|3.5.2 两个总体参数检验
重温 "抽样分布"
3.6 参数检验和非参数检验
假设检验分为参数检验(parametric tests)和非参数检验(nonparametric tests).
Parametric tests assume that the data can be well described by a distribution that is defined by one or more parameters, in most cases by a normal distribution. Nonparametric tests do not depend on the data following a specific distribution.
3.7 其他
拟合优度检验
用来检验一批分类数据所来自的总体的分布是否与某种理论分布相一致
分类变量之间的相关性
独立性检验
3.7.1 列联分析
离散
3.7.2 方差分析
离散 + 连续
3.7.3 回归分析
连续 + 连续
