估计

估计 (Estimation)

估计是利用样本推断总体未知参数数值的过程→连接理论与数据的核心桥梁。区分：估计量（计算规则/公式→随机变量，如$\bar{X}=(1/n)\sum X_i$）；估计值（代入具体数据的特定数值，如175cm）。

估计类型

点估计：样本数据算单一值→为未知参数"最佳猜测"（$\bar{x}$估$\mu$、$\hat{p}$估$p$、$s^2$估$\sigma^2$）。简洁但无不确定性信息→不知偏离真值多远。

区间估计：数值范围→以置信水平相信范围包含真值（称置信区间）。如$\mu$95\%CI=[172,178]→非真值95\%概率在区间（$\mu$固定常数）→而是重复抽样构造的区间中约95\%包含$\mu$。量化抽样不确定性→区间越窄精确度越高。

估计方法

矩估计法(MOM)：令总体k阶矩=样本k阶矩→解方程组→$\hat{\theta}_{MOM}$。例估$\mu,\sigma^2$：$E[X]=\mu=\bar{X}$；$E[X^2]=\sigma^2+\mu^2=(1/n)\sum X_i^2$→代入$\hat{\mu}=\bar{X}$解$\hat{\sigma}^2$。

最大似然估计(MLE)：找$\theta$使观察到的数据出现概率/似然最大。似然函数$L(\theta\mid x)=\prod f(x_i;\theta)$→最大化（通常用对数$\ln L$）。大样本下优良：一致性+渐近正态性+渐近有效性。

最小二乘估计(LSE)：用于回归分析→选参数使模型预测值与实际值的残差平方和最小：$\min\sum(y_i-(\beta_0+\beta_1x_i))^2$。线性回归即OLS→有显式解析解。

估计量性质

无偏性：$E[\hat{\theta}]=\theta$→单次可能高于/低于真值→但无数次重复平均精确指向真值。偏误$Bias=E[\hat{\theta}]-\theta$（无偏→偏误=0）。

有效性：所有无偏估计量中方差最小者最优→更紧密围绕真值→波动小更可靠。线性模型下满足最小方差无偏→BLUE（高斯-马尔可夫定理）。

一致性（渐近性质）：n→∞时$\hat{\theta}_n$依概率收敛于$\theta$（$\hat{\theta}_n\xrightarrow{p}\theta$）→数据够多→任意近真值→大数定律保证。

充分性：充分统计量含样本关于$\theta$全部信息→给定T后原始数据不再提供额外信息→好估计量常为充分统计量的函数。