参数的点估计

参数的点估计

统计推断中点估计指用样本数据计算单一数值（估计值/点估计量）作为未知总体参数的最佳猜测。

核心概念

参数（固定未知常数，如$\mu,\sigma^2,p$）vs 统计量（样本数据函数，随机变量，如$\bar{X},S^2$）。估计量 $\hat{\theta}$（用于估计$\theta$的统计量规则→抽样分布）vs 估计值（代入具体样本→非随机的具体数值）。简：估计量随机+估计值具体→推断未知参数常数。

构造方法

矩估计法(MOM)（卡尔·皮尔逊）：用样本矩估计总体矩→解方程组。理论：$E[X^k]$ 含参数，样本矩 $m_k=(1/n)\sum X_i^k$，令 $E[X]=m_1=\bar{X}$ 等→解得 $\hat{\theta}_{\mathrm{MOM}}$。示例：泊松$E[X]=\lambda$→$\hat{\lambda}_{\mathrm{MOM}} = \bar{X}$。简单直观但非最优。

极大似然估计(MLE)（罗纳德·费雪）：选参数值使观测样本出现的概率/密度最大。似然函数 $L(\theta) = \prod f(x_i\mid\theta)$（独立同分布）→取对数 $\ln L = \sum \ln f$→求导 $d\ln L/d\theta = 0$→解$\hat{\theta}_{\mathrm{MLE}}$。示例：伯努利 $P(X=x)=p^x(1-p)^{1-x}$→似然 $p^{\sum x}(1-p)^{n-\sum x}$→$\ln L$→导→$\hat{p}_{\mathrm{MLE}}=\bar{X}$。具渐进无偏、渐进有效、一致等优良性质。

评价标准

无偏性：$E[\hat{\theta}]=\theta$（无系统性高估/低估→偏误 $B=E[\hat{\theta}]-\theta = 0$）。有效性：无偏中最小的方差（$Var(\hat{\theta})$越小→越可靠→MVUE方差最小）。一致性：$n\to\infty$时$\hat{\theta}_n \xrightarrow{p} \theta$（依概率收敛于真值→大样本极近）。充分性：统计量$T(X)$含样本中关于$\theta$全部信息（充分统计量→给定T后条件分布不依赖$\theta$）。

点估计提供单一数值但无不确定性度量→弥补用区间估计（置信区间+置信水平→"95\%信心真实值在[174.2, 176.8] cm"）。