样本二阶中心矩

%% id: 3527 %% word: "样本二阶中心矩" %% created_model: "google/gemini-2.5-pro" %% verified: true %% created_by_id: 1 %% view_counts: 0 %% inserted_at: "2025-10-26T00:14:01" %% updated_at: "2025-10-26T00:14:01"

样本二阶中心矩

定义

设 $X_1, X_2, \dots, X_n$ 为一组样本，样本二阶中心矩（Sample Second Central Moment）定义为：

其中 $\bar{X} = \frac{1}{n}\sum_{i=1}^{n}X_i$ 为样本均值。它是总体二阶中心矩 $\mu_2 = E[(X - \mu)^2]$ 的直接样本对应量。

与样本方差的关系

样本方差 $S^2$ 定义为：

两者仅相差一个因子：

• $m_2$ 是矩法估计量，使用分母 $n$；
• $S^2$ 是无偏估计量，使用分母 $n-1$（贝塞尔校正）。

性质

1. 非负性：$m_2 \geq 0$，当且仅当所有 $X_i = \bar{X}$ 时取等。
2. 有偏性：$E[m_2] = \frac{n-1}{n}\sigma^2 \neq \sigma^2$，故为有偏估计。
3. 渐近无偏性：$\lim_{n\to\infty} E[m_2] = \sigma^2$，大样本下偏差可忽略。
4. 可计算形式：

该表达式避免了中心化后的再次遍历，便于编程实现。

1. 对平移不变性：对任意常数 $c$，有 $m_2(X_1+c,\dots,X_n+c) = m_2(X_1,\dots,X_n)$。
2. 对缩放的非线性响应：$m_2(cX_1,\dots,cX_n) = c^2 m_2(X_1,\dots,X_n)$。

与总体矩的对应关系

矩估计框架下的地位

在矩估计（Method of Moments）框架中，$m_2$ 是总体方差 $\sigma^2$ 的矩估计量。矩估计的核心思想是"用样本矩代替总体矩"：

1. 令样本二阶中心矩 = 总体二阶中心矩；
2. 解得参数估计量。

例如，对正态分布 $N(\mu, \sigma^2)$，矩估计为 $\hat{\mu} = \bar{X}$，$\hat{\sigma}^2 = m_2$。

自由度视角

$m_2$ 的分母取 $n$ 而非 $n-1$，原因在于矩法不进行自由度校正。在计算 $(X_i - \bar{X})$ 时，样本需满足一个线性约束 $\sum (X_i - \bar{X}) = 0$，相当于损失了一个自由度，因此 $m_2$ 是对方差的有偏估计。

应用场景

1. 描述统计：直接反映数据的离散程度，单位与原始数据平方一致。
2. 矩估计：作为总体方差的矩法估计量。
3. 主成分分析（PCA）：协方差矩阵（或相关系数矩阵）的对角线元素即为各变量的样本二阶中心矩。
4. 高阶矩计算：样本 $k$ 阶中心矩的一般形式为 $m_k = \frac{1}{n}\sum (X_i - \bar{X})^k$，$m_2$ 是最基础的高阶中心矩。
5. 假设检验：在构造某些检验统计量（如 Jarque-Bera 检验）时，二阶中心矩是计算偏度和峰度的基础。

计算示例

设有样本 $\{2, 4, 6, 8\}$：

1. $\bar{X} = \frac{2+4+6+8}{4} = 5$
2. $m_2 = \frac{1}{4}[(2-5)^2 + (4-5)^2 + (6-5)^2 + (8-5)^2] = \frac{1}{4}[9+1+1+9] = 5$

样本方差 $S^2 = \frac{4}{3} \times 5 \approx 6.67$，验证了 $S^2 > m_2$ 的关系。

与样本标准差的关系

样本标准差的无偏估计通常使用 $S = \sqrt{S^2}$，而非 $\sqrt{m_2}$，但 $\sqrt{m_2}$ 有时也被称为"样本二阶中心矩的平方根"，在描述统计中作为一个离散度指标。

总结

样本二阶中心矩 $m_2$ 是描述统计和矩估计中最核心的统计量之一。它虽然是有偏的，但在大样本下渐近无偏，且形式简洁、计算方便，在矩法估计、PCA、高阶矩分析等领域有广泛应用。理解它与样本方差 $S^2$ 的区别与联系，是掌握统计推断基础的关键一步。