Иллюстрация границы Крамера-Рао: не существует несмещенной системы оценки, которая могла бы оценить (2-мерный) параметр с меньшей дисперсией, чем граница Крамера-Рао, иллюстрируемая как эллипс стандартного отклонения.
Несмещенная оценка, достигающая этой границы, называется (полностью) эффективной . Такое решение обеспечивает наименьшую возможную среднеквадратическую ошибку среди всех несмещенных методов и, следовательно, является несмещенной оценкой минимальной дисперсии (MVU). Однако в некоторых случаях не существует объективного метода, позволяющего достичь границы. Это может произойти либо в том случае, если для любой несмещенной оценки существует другая со строго меньшей дисперсией, либо если существует оценка MVU, но ее дисперсия строго больше, чем инверсия информации Фишера.
Границу Крамера-Рао также можно использовать для оценки дисперсии смещенных оценок заданного смещения. В некоторых случаях предвзятый подход может привести к тому, что как дисперсия, так и среднеквадратическая ошибка окажутся ниже несмещенной нижней границы Крамера – Рао; см. смещение оценки .
Заявление
Граница Крамера-Рао сформулирована в этом разделе для нескольких все более общих случаев, начиная со случая, когда параметр является скаляром, а его оценка несмещена . Все версии оценки требуют определенных условий регулярности, которые выполняются для большинства распределений с хорошим поведением. Эти условия перечислены далее в этом разделе.
Скалярный несмещенный случай
Предположим , это неизвестный детерминированный параметр, который должен быть оценен на основе независимых наблюдений (измерений) каждого из распределения согласно некоторой функции плотности вероятности . Тогда дисперсия любой несмещенной оценки ограничивается [ 8] обратной величиной информации Фишера :
Если дважды дифференцируема и выполняются определенные условия регулярности, то информацию Фишера также можно определить следующим образом: [9]
Эффективность несмещенной оценки измеряет , насколько близка дисперсия этой оценки к этой нижней границе; Эффективность оценки определяется как
или минимально возможную дисперсию для несмещенной оценки, деленную на ее фактическую дисперсию. Таким образом, нижняя оценка Крамера – Рао дает
.
Общий скалярный случай
Более общую форму оценки можно получить, рассматривая смещенную оценку , чье математическое ожидание является не чем иным, как функцией этого параметра, скажем . Следовательно , обычно не равно 0. В этом случае оценка определяется выражением
где – производная от (по ), а – информация Фишера, определенная выше.
Ограничено дисперсией смещенных оценок
Помимо ограничения оценок функций параметра, этот подход можно использовать для получения оценки дисперсии смещенных оценок с заданным смещением следующим образом. [10] Рассмотрим оценку со смещением , и пусть . Согласно приведенному выше результату, любая несмещенная оценка, чье математическое ожидание, имеет дисперсию, большую или равную . Таким образом, любая оценка , смещение которой задается функцией, удовлетворяет [11]
Несмещенная версия оценки является частным случаем этого результата с .
Иметь небольшую дисперсию тривиально: постоянная «оценка» имеет нулевую дисперсию. Но из приведенного выше уравнения мы находим, что среднеквадратическая ошибка смещенной оценки ограничена величиной
используя стандартную декомпозицию MSE. Однако обратите внимание, что если эта граница может быть меньше, чем несмещенная граница Крамера – Рао . Например, в приведенном ниже примере оценки дисперсии .
Позвольте быть оценщиком любой векторной функции параметров, и обозначьте ее вектор ожидания через . Тогда граница Крамера-Рао утверждает, что ковариационная матрица удовлетворяет условию
Если является несмещенной оценкой (т. е. ), то граница Крамера – Рао сводится к
Если неудобно вычислять обратную информационную матрицу Фишера , то можно просто взять обратную величину соответствующего диагонального элемента, чтобы найти (возможно, нестрогую) нижнюю оценку. [12]
Информация Фишера всегда определена; эквивалентно, для всех таких, что ,
существует и конечен.
Операции интегрирования по и дифференцирования по можно поменять местами при ожидании ; то есть,
всякий раз, когда правая часть конечна.Это условие часто можно подтвердить, используя тот факт, что интегрирование и дифференцирование можно поменять местами, когда выполняется любой из следующих случаев:
Функция имеет ограниченную поддержку в , и границы не зависят от ;
Функция имеет бесконечный носитель, непрерывно дифференцируема , интеграл сходится равномерно для всех .
Доказательство
Доказательство для общего случая на основе границы Чепмена–Роббинса.
Доказательство основано на. [13]
Доказательство
Первое уравнение:
Пусть будет бесконечно малым, тогда для любого подставив , мы имеем
Достаточно доказать это для скалярного случая с принятием значений в . Поскольку в качестве общего можно взять любой , то определяющий скалярный случай дает
Это справедливо для всех , поэтому мы можем сделать вывод
Скалярный случай утверждает, что с .
Пусть будет бесконечно малым, тогда для любого взятие одномерной границы Чепмена-Роббинса дает .
С помощью линейной алгебры для любой положительно определенной матрицы получаем таким образом
Отдельное доказательство для общего скалярного случая
Для общего скалярного случая:
Предположим, что это оценка с математическим ожиданием (на основе наблюдений ), т. е. что . Цель состоит в том, чтобы доказать, что для всех
Пусть — случайная величина с функцией плотности вероятности . Вот статистика , которая используется в качестве оценки . Определить как оценку :
где правило цепочки используется в окончательном равенстве выше. Тогда ожидание , записанное , равно нулю. Это потому что:
где интеграл и частная производная поменялись местами (что оправдано вторым условием регулярности).
Если мы рассмотрим ковариацию и , мы получим , потому что . Раскрыв это выражение, мы имеем
опять же, потому что операции интегрирования и дифференцирования коммутируют (второе условие).
Например, пусть это выборка независимых наблюдений с неизвестным средним значением и известной дисперсией .
Тогда информация Фишера представляет собой скаляр, определяемый формулой
и поэтому граница Крамера – Рао равна
Нормальная дисперсия с известным средним значением
Предположим, X — нормально распределенная случайная величина с известным средним значением и неизвестной дисперсией . Рассмотрим следующую статистику:
Тогда T несмещен при , поскольку . Какова дисперсия Т ?
(второе равенство следует непосредственно из определения дисперсии). Первый член является четвертым моментом относительно среднего значения и имеет значение ; второй — квадрат дисперсии, или . Таким образом
где функция правдоподобия . Таким образом, в данном случае
где второе равенство взято из элементарного исчисления. Таким образом, информация в одном наблюдении равна просто минус математическое ожидание производной или
Таким образом, информация в выборке независимых наблюдений в разы равна этому, или
Граница Крамера – Рао утверждает, что
В этом случае неравенство является насыщенным (достигается равенство), что указывает на эффективность оценки .
очевидно, имеет меньшую дисперсию, которая на самом деле равна
Его предвзятость
поэтому его среднеквадратическая ошибка равна
что явно меньше того, чего могут достичь несмещенные оценки согласно границе Крамера – Рао.
Когда среднее значение неизвестно, минимальная оценка среднеквадратической ошибки отклонения выборки от распределения Гаусса достигается путем деления на , а не или .
^ Нильсен, Франк (2013). «Нижняя граница Крамера-Рао и информационная геометрия». Подключено к Infinity II . Тексты и чтения по математике. Том. 67. Книжное агентство «Хиндустан», Гургаон. п. 18-37. arXiv : 1301.3578 . дои : 10.1007/978-93-86279-56-9_2. ISBN978-93-80250-51-9. S2CID 16759683.
^ Суба Рао. «Лекции по статистическому выводу» (PDF) . Архивировано из оригинала (PDF) 26 сентября 2020 г. Проверено 24 мая 2020 г.
^ "Нижняя граница Крамера Рао - Навипедия" . gssc.esa.int .
^ "Связанный Крамер-Рао" .
^ Для байесовского случая см. уравнение. (11) Бобровского; Майер-Вольф; Закай (1987). «Некоторые классы глобальных границ Крамера – Рао». Анна. Стат . 15 (4): 1421–38. дои : 10.1214/aos/1176350602 .
^ Полянский, Юрий (2017). «Конспекты лекций по теории информации, глава 29, ECE563 (UIUC)» (PDF) . Конспект лекций по теории информации . Архивировано (PDF) из оригинала 24 мая 2022 г. Проверено 24 мая 2022 г.
^ Кей, С.М. (1993). Основы статистической обработки сигналов: теория оценивания . Прентис Холл. п. 47. ИСБН0-13-042268-1.
дальнейшее чтение
Амемия, Такеши (1985). Продвинутая эконометрика . Кембридж: Издательство Гарвардского университета. стр. 14–17. ISBN 0-674-00560-0.
Бос, Адриан ван ден (2007). Оценка параметров для ученых и инженеров . Хобокен: Джон Уайли и сыновья. стр. 45–98. ISBN 978-0-470-14781-8.
Кей, Стивен М. (1993). Основы статистической обработки сигналов, Том I: Теория оценивания . Прентис Холл. ISBN 0-13-345711-7.. Глава 3.
Шао, Цзюнь (1998). Математическая статистика . Нью-Йорк: Спрингер. ISBN 0-387-98674-Х.. Раздел 3.1.3.
Апостериорная неопределенность, асимптотический закон и граница Крамера-Рао, Structural Control and Health Monitoring 25(1851):e2113 DOI: 10.1002/stc.2113
Внешние ссылки
FandPLimitTool — программное обеспечение на основе графического пользовательского интерфейса для расчета информации Фишера и нижней границы Крамера-Рао с применением к микроскопии одиночных молекул.