完备统计量 (Complete Statistic)

完备统计量 (Complete Statistic)

完备统计量 (Complete Statistic) 是数理统计中比充分统计量更强的概念，在Lehmann-Scheffe定理中扮演寻找一致最小方差无偏估计量 (UMVUE) 的关键角色。直观上，一个统计量 $T(X)$ 是完备的，当且仅当不存在关于 $T$ 的非零函数其期望在所有参数取值下恒为零。更形式化地，设样本 $X$ 的概率分布由参数 $\theta \in \Theta$ 的分布族 $\mathcal{P} = \{P_\theta: \theta \in \Theta\}$ 描述，一个统计量 $T(X)$ 为完备统计量，如果对于任意满足 $\mathbb{E}_\theta[g(T)] = 0$（对所有 $\theta \in \Theta$）的可测函数 $g$，均有 $g(T) = 0$ 几乎处处成立。

完备性的直观理解与充分性对比

充分性保证统计量保留了样本中关于参数的全部信息——在给定 $T$ 的条件下，样本的条件分布不再依赖参数。完备性则确保这一信息是"唯一确定的"：不存在两个不同的参数函数值产生相同的统计量分布。二者结合——充分且完备的统计量——即构成 Lehmann-Scheffe 定理的前提：任意基于充分完备统计量的无偏函数的唯一函数，就是该参数函数的 UMVUE。

完备性的典型示例来自指数族分布。对于满秩的指数族——其联合密度可写作 $f(x \mid \theta) = h(x) \exp \left( \sum_{j=1}^k \eta_j(\theta) T_j(x) - A(\theta) \right)$——若自然参数空间 $\{\eta(\theta): \theta \in \Theta\}$ 包含一个开集（满秩条件），则统计量 $(T_1(X), \ldots, T_k(X))$ 为完备充分统计量。这一定理将正态分布、泊松分布、伽马分布、二项分布等常用分布族中寻找 UMVUE 的问题规模化：只需找到自然充分统计量的适当无偏函数即可。

在经济学估计理论中的应用

完备性在计量经济学的估计理论中有直接应用工具。在经典线性回归模型中，当误差项服从正态分布时，OLS 估计量 $(\hat{\boldsymbol{\beta}}, s^2)$ 是 $(\boldsymbol{\beta}, \sigma^2)$ 的完备充分统计量，因此 OLS 不仅是 BLUE，更是所有无偏估计量中的最小方差估计量——包括非线性估计量。

在面板数据模型中，完备性概念用于分析充分统计量能否从固定效应的条件似然中消除冗余参数。在工具变量文献中，完备性条件有时用于检验工具变量的信息边界——即给定充分统计量后，是否还能从残差中提取额外的结构性信息。完备性的抽象数学定义使其不如充分性直观，但它在建立 UMVUE 的唯一性和推导最有效估计方法的理论论证中是不可或缺的概念环节——它是从"信息不丢失"（充分性）到"最佳利用信息"（最小方差）的桥梁。