В статистике метод моментов является методом оценки параметров популяции . Тот же принцип используется для получения более высоких моментов, таких как асимметрия и эксцесс.
Он начинается с выражения моментов совокупности (т. е. ожидаемых значений степеней рассматриваемой случайной величины ) как функций интересующих параметров. Затем эти выражения приравниваются к моментам выборки. Количество таких уравнений равно количеству оцениваемых параметров. Затем эти уравнения решаются для интересующих параметров. Решения представляют собой оценки этих параметров.
Метод моментов был введен Пафнутием Чебышевым в 1887 году при доказательстве центральной предельной теоремы . Идея сопоставления эмпирических моментов распределения с моментами популяции восходит, по крайней мере, к Пирсону . [1]
Предположим, что задача состоит в том, чтобы оценить неизвестные параметры , характеризующие распределение случайной величины . [1] Предположим, что первые моменты истинного распределения («моменты населения») могут быть выражены как функции s :
Предположим , что получена выборка размером . Ибо пусть
быть j -м моментом выборки, оценкой . Метод оценки моментов для обозначается как решение (если оно существует) уравнений: [2]
Описанный здесь метод для одиночных случайных величин очевидным образом обобщается на несколько случайных величин, что приводит к множеству вариантов выбора моментов, которые будут использоваться. Разные варианты обычно приводят к разным решениям [5], [6].
Метод моментов довольно прост и дает непротиворечивые оценки (при очень слабых предположениях), хотя эти оценки часто бывают смещенными .
Это альтернатива методу максимального правдоподобия .
Однако в некоторых случаях уравнения правдоподобия могут оказаться неразрешимыми без компьютеров, тогда как оценки методом моментов можно вычислить гораздо быстрее и проще. Благодаря легкости вычислимости оценки метода моментов могут использоваться в качестве первого приближения к решениям уравнений правдоподобия, а затем могут быть найдены последовательные улучшенные приближения с помощью метода Ньютона-Рафсона . Таким образом, метод моментов может помочь в нахождении оценок максимального правдоподобия.
В некоторых случаях, что нечасто при больших выборках, но реже при небольших выборках, оценки, полученные методом моментов, находятся за пределами пространства параметров (как показано в примере ниже); тогда рассчитывать на них не имеет смысла. Эта проблема никогда не возникает в методе максимального правдоподобия [3] . Кроме того, оценки методом моментов не обязательно являются достаточной статистикой , т. е. иногда они не учитывают всю значимую информацию в выборке.
При оценке других структурных параметров (например, параметров функции полезности вместо параметров известного распределения вероятностей) соответствующие распределения вероятностей могут быть неизвестны, и оценки на основе моментов могут быть предпочтительнее оценки максимального правдоподобия.
Уравнения, которые необходимо решить с помощью метода моментов (MoM), в целом нелинейны, и не существует общеприменимых гарантий существования поддающихся решению решений . Но существует альтернативный подход к использованию моментов выборки для оценки параметров модели данных с точки зрения известной зависимости моментов модели от этих параметров, и этот альтернативный вариант требует решения только линейных уравнений или, в более общем смысле, тензорных уравнений. Эта альтернатива называется байесовским MoM (BL-MoM) и отличается от классического MoM тем, что использует оптимально взвешенные моменты выборки. Учитывая, что MoM обычно мотивируется отсутствием достаточных знаний о модели данных для определения функций правдоподобия и связанных с ними апостериорных вероятностей неизвестных или случайных параметров, странно, что существует тип MoM, который является байесовским . Но особый смысл байесовского подхода приводит к формулировке проблемы, в которой требуемое знание апостериорных вероятностей заменяется необходимым знанием только зависимости моментов модели от неизвестных параметров модели, что и является именно тем знанием, которое требуется традиционным MoM [1]. ],[2],[5]–[9]. BL-MoM также использует знания об априорных вероятностях оцениваемых параметров, если таковые имеются, но в остальном использует единые априорные данные. [ нужна цитата ]
О BL-MoM сообщалось только в литературе по прикладной статистике в связи с оценкой параметров и проверкой гипотез с использованием наблюдений за случайными процессами для задач теории информации и коммуникаций и, в частности, проектирования приемников связи при отсутствии знаний о функциях правдоподобия. или ассоциированные апостериорные вероятности [10] и ссылки там. Кроме того, повторная формулировка этого подхода к проектированию приемников для моделей стохастических процессов в качестве альтернативы классическому MoM для любого типа многомерных данных доступна в виде учебного пособия на веб-сайте университета [11, стр. 11.4]. Приложения в [10] и ссылки демонстрируют некоторые важные характеристики этой альтернативы классическому MoM, а подробный список относительных преимуществ и недостатков приведен в [11, стр. 11.4], но в литературе отсутствуют прямые сравнения в конкретных приложениях классический МоМ и BL-МоМ. [ нужна цитата ]
Примером применения метода моментов является оценка полиномиальных распределений плотности вероятности. В этом случае аппроксимирующий полином порядка определяется на интервале . Тогда метод моментов дает систему уравнений, решение которой включает обращение матрицы Ганкеля . [2]
Пусть будут независимыми случайными величинами со средним значением 0 и дисперсией 1, тогда пусть . Мы можем вычислить моменты как
По существу это рассуждение было опубликовано Чебышевым в 1887 году. [3]
Рассмотрим равномерное распределение на интервале , . Если тогда у нас есть
Решение этих уравнений дает
Учитывая набор выборок, мы можем использовать моменты выборки и в этих формулах, чтобы оценить и .
Однако обратите внимание, что в некоторых случаях этот метод может давать противоречивые результаты. Например, набор выборок дает оценку , хотя в этом случае невозможно получить набор из этого набора.
[4] Пирсон, К. (1936), «Метод моментов и метод максимального правдоподобия», Биометрика 28 (1/2), 35–59.
[5] Линдси, Б.Г. и Басак П. (1993). «Многомерные нормальные смеси: быстрый последовательный метод моментов», Журнал Американской статистической ассоциации 88 , 468–476.
[6] Квандт, Р.Э. и Рэмси, Дж.Б. (1978). «Оценка смесей нормального распределения и регрессии переключения», Журнал Американской статистической ассоциации 73 , 730–752.
[7] https://real-statistics.com/distribution-fitting/method-of-moments/
[8] Хансен, Л. (1982). «Свойства обобщенного метода оценок моментов на больших выборках», Econometrica 50 , 1029–1054.
[9] Линдси, Б.Г. (1982). «Условные функции оценки: некоторые результаты оптимальности», Биометрика 69 , 503–512.
[10] Гарднер, В.А., «Разработка классификаторов сигналов ближайшего прототипа», IEEE Transactions on Information Theory 27 (3), 368–372, 1981.