KNOWECON WIKI

ARTICLE

parameter

参数（Parameter）是统计学、数学和计算机科学中用于描述系统或分布特征的量，在模型中被视为固定但通常未知的常数，需要通过数据估计或由理论假定确定。参数刻画了总体分布的基本特征——例如正态分布的均值 μ 和方差 σ² 完全决定了分布的形状、位置和离散程度。参数与统计量形成一对核心对立概念：参数是总体的特征值，是固定不变的；统计量是样本的函数，随样本不同而

浏览 4 更新 2026-05-26

参数（Parameter）是统计学、数学和计算机科学中用于描述系统或分布特征的量，在模型中被视为固定但通常未知的常数，需要通过数据估计或由理论假定确定。参数刻画了总体分布的基本特征——例如正态分布的均值 μ 和方差 σ² 完全决定了分布的形状、位置和离散程度。参数与统计量形成一对核心对立概念：参数是总体的特征值，是固定不变的；统计量是样本的函数，随样本不同而变动。由于总体参数通常不可直接观测，统计学的核心任务之一就是基于样本统计量对总体参数进行推断，这一过程构成了参数估计和假设检验的基础。参数的概念广泛应用于微分方程、最优化问题、机器学习模型和物理系统中，作为控制变量或自由度发挥作用。参数空间的维数直接影响模型复杂度和过拟合风险，是模型选择中偏差-方差权衡的关键决定因素。

参数的点估计

点估计是利用样本数据计算参数的一个具体数值，作为总体参数真值的近似。矩估计法由皮尔逊（Pearson, 1894）提出，其思想是令样本矩等于总体矩从而解出参数估计量。例如对于正态分布，令样本均值等于 μ、样本二阶中心矩等于 σ²，即可得到矩估计。矩估计计算简便但通常不是最有效的。最大似然估计（MLE）由费希尔（Fisher, 1922）系统发展，其思想是寻找使观测数据出现概率最大的参数值。MLE 具有一致性、渐近正态性和渐近有效性等优良性质。贝叶斯估计将参数视为随机变量，通过先验分布与似然函数结合得到后验分布，后验均值或众数作为点估计，可自然纳入先验信息，在小样本问题中尤其有优势。最小二乘估计在线性回归中是高斯-马尔可夫定理的核心：在经典假设下，OLS 是所有线性无偏估计量中方差最小的。点估计的评价标准包括无偏性、有效性、一致性和充分性。

参数的区间估计与置信域

区间估计在点估计基础上给出参数可能取值的范围，并附以置信水平表示该范围覆盖参数真值的概率。置信区间由奈曼（Neyman, 1937）正式提出，其构造通常借助枢轴量方法。例如正态总体均值 μ 在方差已知时 Xˉ−μσ/n∼N(0,1) \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \sim N(0,1) ，据此构造置信区间。大样本下中心极限定理保证近似正态性。Bootstrap方法（Efron, 1979）通过有放回重抽样构造非参数置信区间，避免复杂理论推导。对于多个参数，需要构造置信域同时包含所有参数的真值。置信区间与假设检验存在对偶关系：参数值落在区间内等价于无法拒绝该参数值的零假设。区间宽度受样本量、置信水平和数据变异性的共同影响——样本量越大、置信水平越低、变异性越小，区间越窄，精度越高。

参数假设检验

参数假设检验是利用样本数据对参数陈述进行统计决策的方法。零假设通常表示无效应，备择假设表示研究者希望支持的主张。第一类错误概率记作 α（通常取 0.05 或 0.01），第二类错误概率记作 β。检验功效（1−β）受样本量、效应大小和显著性水平的共同影响。常见参数检验包括：t 检验用于检验均值之差；F 检验用于方差分析；卡方检验用于独立性或拟合优度检验。似然比检验、沃尔德检验和拉格朗日乘数检验是三大经典大样本检验框架，三者渐近等价。参数假设检验广泛应用于医学临床试验、经济学因果推断和社会科学实证研究等领域。

机器学习中的参数

在机器学习中，参数是模型从训练数据中学习到的内部权重和偏置项。线性模型的参数通过最小化损失函数获得。神经网络的参数包括连接权重和偏置向量，其数量可达数百万甚至数十亿，参数规模是模型容量的直接体现，反向传播与梯度下降法提供高效优化手段。正则化技术通过对参数施加惩罚控制模型复杂度：L1 正则化（Lasso）产生稀疏解实现特征选择；L2 正则化（Ridge）将参数向零收缩。超参数控制模型结构和学习过程的设置（如学习率、正则化强度），不直接由数据学习，需通过交叉验证调整。参数共享是卷积神经网络成功的关键——同一层使用相同卷积核参数，显著减少参数量同时赋予平移不变性。迁移学习利用预训练模型参数作为初始值在目标任务上微调，降低训练成本。

结构模型与计量经济学中的参数

在结构计量经济学中，参数具有明确的经济学含义。行为参数如风险厌恶系数和跨期替代弹性，描述消费者偏好结构；技术参数如生产函数中的要素产出弹性和全要素生产率，刻画技术关系；政策参数如税率和补贴率，反映政策工具力度。结构参数的估计面临识别问题——需要足够的外生变异性来区分不同参数的影响。间接推断和模拟矩估计通过匹配模型矩与数据矩来估计参数，适用于似然函数难处理的情况。校准在 DSGE 模型中广泛使用：研究者依据微观证据预设部分参数值使模型匹配关键宏观矩。稳健推断评估参数不确定性下结论的可靠性。

参数与非参数方法的比较

参数方法假设数据来自已知形式的分布族，仅需估计有限个参数，具有效率高、可解释性强等优点。非参数方法不假定具体形式或分布类型，灵活性更强但需要更大样本量且效率较低。半参数方法介于两者之间——如部分线性模型同时包含线性参数部分和非参数光滑部分。模型选择在参数方法中尤为重要：过少的参数导致偏差（欠拟合），过多的参数导致方差增大（过拟合），AIC、BIC 和交叉验证帮助平衡偏差与方差。非参数贝叶斯方法（如狄利克雷过程混合模型）允许参数数量随数据自适应增长，融合了参数推断效率与非参数灵活性。

参考文献

  1. Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. *Philosophical Transactions of the Royal Society of London. Series A*, 222(594–604), 309–368.
  2. Neyman, J. (1937). Outline of a theory of statistical estimation based on the classical theory of probability. *Philosophical Transactions of the Royal Society of London. Series A*, 236(767), 333–380.
  3. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. *The Annals of Statistics*, 7(1), 1–26.
  4. Pearson, K. (1894). Contributions to the mathematical theory of evolution. *Philosophical Transactions of the Royal Society of London. A*, 185, 71–110.
  5. Cox, D. R., \& Hinkley, D. V. (1974). *Theoretical Statistics*. Chapman and Hall.
  6. Lehmann, E. L., \& Casella, G. (1998). *Theory of Point Estimation* (2nd ed.). Springer.
  7. Hayashi, F. (2000). *Econometrics*. Princeton University Press.
  8. Efron, B., \& Hastie, T. (2016). *Computer Age Statistical Inference*. Cambridge University Press.