估计量的偏差

在统计学中，估计量的偏差（或偏差函数）是此估计量的期望值与估计参数的真值之差。偏差为零的估计量或决策规则称为无偏的。否则该估计量是有偏的。在统计中，“偏差”是一个函数的客观陈述。

偏差也可以相对于中位數来衡量，而非相对于均值（期望值），在这种情况下为了与通常的“均值”无偏性区别，称作“中值”无偏。偏差与一致性相关联，一致估计量都是收敛并且渐进无偏的（因此会收敛到正确的值），虽然一致序列中的个别估计量可能是有偏的（只要偏差收敛于零）；参见偏差与一致性。

当其他量相等时，无偏估计量比有偏估计量更好一些，但在实践中，并不是所有其他统计量的都相等，于是也经常使用有偏估计量，一般偏差较小。当使用一个有偏估计量时，也会估计它的偏差。有偏估计量可能用于以下原因：由于如果不对总体进一步假设，无偏估计量不存在或很难计算（如Template:Le）；由于估计量是中值无偏的，却不是均值无偏的（或反之）；由于一个有偏估计量较之无偏估计量（特别是Template:Le）可以减小一些损失函数（尤其是均方差）；或者由于在某些情况下，无偏的条件太强，这种情况无偏估计量不是必要的。此外，在非线性变换下均值无偏性不会保留，不过中值无偏性会保留（参见变换的效应）；例如样本方差是总体方差的无偏估计量，但它的平方根標準差则是总体标准差的有偏估计量。下面会进行说明。

定义

设我们有一个参数为实数 θ 的概率模型，产生观测数据的概率分布 $P_{\theta }(x)=P(x\mid \theta )$，而统计量 $\hat{\theta }$ 是基于任何观测数据 $x$ 下 θ 的估计量。也就是说，我们假定我们的数据符合某种未知分布 $P_{\theta }(x)=P(x\mid \theta )$（其中 θ 是一个固定常数，而且是该分布的一部分，但具体值未知），于是我们构造估计量 $\hat{\theta }$，该估计量将观测数据与我们希望的接近 θ 的值对应起来。因此这个估量的（相对于参数 θ的）偏差定义为

${\mathrm{Bias}}_{\theta }[\hat{\theta }]={\mathrm{E}}_{\theta }[\hat{\theta }]-\theta ={\mathrm{E}}_{\theta }[\hat{\theta }-\theta ],$

其中 ${\mathrm{E}}_{\theta }$ 表示分布 $P_{\theta }(x)=P(x\mid \theta )$ 的期望值，即对所有可能的观测值 $x$ 取平均。由于 θ 对于条件分布 $P(x\mid \theta )$ 是可测的，就有了第二个等号。

对于参数 θ 的所有值的偏差都等于零的估计量称为无偏估计量。

在一次关于估计量性质的模拟实验中，估计量的偏差可以用Template:Le来评估。

例子

样本方差

Template:Main 随机变量的样本方差从两方面说明了估计量偏差：首先，自然估计量（Template:Lang）是有偏的，可以通过比例因子校正；其次，无偏估计量的均方差（MSE）不是最优的，可以用一个不同的比例因子来最小化，得到一个比无偏估计量的MSE更小的有偏估计量。

具体地说，自然估计量就是将离差平方和加起来然后除以 n，是有偏的。不过除以 n − 1 会得到一个无偏估计量。相反，MSE可以通过除以另一个数来最小化（取决于分布），但这会得到一个有偏估计量。这个数总会比 n − 1 大，所以这就叫做Template:Le，因为它把无偏估计量向零“收缩”；对于正态分布，最佳值为 n + 1。

设 X₁, ..., X_n 是期望为 μ、方差为 σ² 的独立同分布（i.i.d.）随机变量。如果样本均值与未修正样本方差定义为

$\bar{X}=\frac{1}{n}\sum _{i=1}^n{X}_i,S^2=\frac{1}{n}\sum _{i=1}^n{(X_i-\bar{X})}^2,$

则 S² 是 σ² 的一个有偏估计量，因为

$\begin{array}{cc}\mathrm{E}[S^2]& =\mathrm{E}\left[\frac{1}{n}\sum _{i=1}^n\right(X_i-\bar{X}{)}^2]=\mathrm{E}\left[\frac{1}{n}\sum _{i=1}^n\right((X_i-\mu )-(\bar{X}-\mu ){)}^2]\\ & =\mathrm{E}\left[\frac{1}{n}\sum _{i=1}^n\right((X_i-\mu {)}^2-2(\bar{X}-\mu )(X_i-\mu )+(\bar{X}-\mu {)}^2\left)\right]\\ & =\mathrm{E}[\frac{1}{n}\sum _{i=1}^n(X_i-\mu {)}^2-\frac{2}{n}(\bar{X}-\mu )\sum _{i=1}^n(X_i-\mu )+\frac{1}{n}(\bar{X}-\mu {)}^2\sum _{i=1}^{n}1]\\ & =\mathrm{E}[\frac{1}{n}\sum _{i=1}^n(X_i-\mu {)}^2-\frac{2}{n}(\bar{X}-\mu )\sum _{i=1}^n(X_i-\mu )+\frac{1}{n}(\bar{X}-\mu {)}^2\cdot n]\\ & =\mathrm{E}[\frac{1}{n}\sum _{i=1}^n(X_i-\mu {)}^2-\frac{2}{n}(\bar{X}-\mu )\sum _{i=1}^n(X_i-\mu )+(\bar{X}-\mu {)}^2]\\ \end{array}$

换句话说，未修正的样本方差的期望值不等于总体方差 σ²，除非乘以归一化因子。而样本均值是总体均值 μ 的无偏估计量。

S² 是有偏的原因源于样本均值是 μ 的Template:Le（OLS）估计量这个事实：$\bar{X}$ 是令 $\sum _{i=1}^n(X_i-\bar{X}{)}^2$ 尽可能小的数。也就是说，当任何其他数代入这个求和中时，这个和只会增加。尤其是，在选取 $\mu \ne \bar{X}$ 就会得出，

$\frac{1}{n}\sum _{i=1}^n(X_i-\bar{X}{)}^2<\frac{1}{n}\sum _{i=1}^n(X_i-\mu {)}^2,$

于是

$\begin{array}{cc}\mathrm{E}[S^2]& =\mathrm{E}[\frac{1}{n}\sum _{i=1}^n(X_i-\bar{X}{)}^2]<\mathrm{E}[\frac{1}{n}\sum _{i=1}^n(X_i-\mu {)}^2]={\sigma }^2.\end{array}$

注意到，通常的样本方差定义为

$s^2=\frac{1}{n-1}\sum _{i=1}^n(X_i-\bar{X}{)}^2,$

而这时总体方差的无偏估计量。可以由下式看出：

$\mathrm{E}[(\bar{X}-\mu {)}^2]=\frac{1}{n}{\sigma }^2.$

方差的有偏（未修正）与无偏估计之比称为Template:Le。

参见

• 點估計
• Template:Le
• 一致估计量
• 估计理论
• Template:Le
• 期望值
• 损失函数
• 中位數
• 决策论
• Template:Le

参考文献

• Brown, George W. "On Small-Sample Estimation." The Annals of Mathematical Statistics, vol. 18, no. 4 (Dec., 1947), pp. 582–585. Template:JSTOR.
• Template:Tsl "A General Concept of Unbiasedness" The Annals of Mathematical Statistics, vol. 22, no. 4 (Dec., 1951), pp. 587–592. Template:JSTOR.
• Template:Tsl, 1961. "A Unified Theory of Estimation, I", The Annals of Mathematical Statistics, vol. 32, no. 1 (Mar., 1961), pp. 112–135.
• Van der Vaart, H. R., 1961. "Some Extensions of the Idea of Bias" The Annals of Mathematical Statistics, vol. 32, no. 2 (June 1961), pp. 436–447.
• Pfanzagl, Johann. 1994. Parametric Statistical Theory. Walter de Gruyter.
• Template:Cite book.
• Template:Cite book
• Template:Cite book
• Template:Cite book

外部链接

• Template:Springer