logo

不偏推定量 📂数理統計学

不偏推定量

定義 1

θ\theta推定量 TT が次を満たす場合、TTθ\theta不偏推定量unbiased estimatorと呼ばれる。 ET=θ E T = \theta

説明

特に、θ\theta に対する不偏推定量の中で分散が最も小さい場合、最小分散不偏推定量minimum Variance Unbiased Estimator, MVUEと呼ばれる。

不偏性とは、偏りを持たない性質のことを言う。例えば、Xi(μ,σ2)X_{i} \sim \left( \mu , \sigma^{2} \right) とする時、μ\mu の推定量として標本平均 X=1niXi\displaystyle \overline{X} = {{ 1 } \over { n }} \sum_{i} X_{i} を使用する場合、EX=μ\displaystyle E \overline{X} = \mu であるため、X\overline{X}μ\mu の不偏推定量になる。これは一見当たり前に見えるが、推定量が母数を正確に示すことは非常に重要な性質であり、当たり前のことではない。例えば、分散と標本分散について見てみよう。

Xi(μ,σ2) X_{i} \sim \left( \mu , \sigma^{2} \right) とする場合、分散の不偏推定量は次のようになる。 S2:=1n1i=1n(XiX)2 S^{2} := {{1} \over {n-1}} \sum_{i=1}^{n} \left( X_{i} - \overline{X} \right)^{2} 知られているように、標本平均とは異なり、標本分散は偏差の二乗をすべて加算した後、nn ではなく n1n-1 で割る。標本分散を求める際に n1n-1 で割る理由には、聞く人のレベルに応じて様々な説明ができるが、最も正確な式で説明するならば、「標本分散が不偏推定量となるため」である。

証明 2

μ:=EXσ2:=EXi2μ2 \mu := E \overline{X} \\ \sigma^{2} := E X_{i} ^{2} - \mu^{2} とすると、 E(X2)μ2=E(X2)(EX)2=VarX=Var(1ni=1nXi)=1n2i=1nVarXi=1n2nσ2=σ2n \begin{align*} E \left( \overline{X}^{2} \right) - \mu^{2} =& E \left( \overline{X}^{2} \right) - \left( E \overline{X} \right)^{2} \\ =& \operatorname{Var} \overline{X} \\ =& \operatorname{Var} \left( {{1} \over {n}} \sum_{i=1}^{n} X_{i} \right) \\ =& {{1} \over {n^{2}}} \sum_{i=1}^{n} \operatorname{Var} X_{i} \\ =& {{1} \over {n^{2}}} n \sigma^{2} \\ =& {{\sigma^{2}} \over {n}} \end{align*} よって、標本分散 S2S^{2} の期待値は ES2=(n1)1Ei=1n(XiX)2=(n1)1[i=1nEXi2i=1nEX2]=(n1)1[i=1n(σ2+μ2)n(μ2+σ2n)]=(n1)1[nσ2+nμ2nμ2σ2]=(n1)1(n1)σ2=σ2 \begin{align*} E S^{2} =& (n-1)^{-1} E \sum_{i=1}^{n} \left( X_{i} - \overline{X} \right)^{2} \\ =& (n-1)^{-1} \left[ \sum_{i=1}^{n} E X_{i}^{2} - \sum_{i=1}^{n} E \overline{X} ^{2} \right] \\ =& (n-1)^{-1} \left[ \sum_{i=1}^{n} \left( \sigma^{2} + \mu^{2} \right) - n \left( \mu^{2} + {{\sigma^{2}} \over {n}} \right) \right] \\ =& (n-1)^{-1} \left[ n\sigma^{2} + n \mu^{2} - n \mu^{2} - \sigma^{2} \right] \\ =& (n-1)^{-1} (n-1) \sigma^{2} \\ =& \sigma^{2} \end{align*}


  1. Hogg et al. (2013). 「数理統計学の概要」(第7版): p208. ↩︎

  2. Hogg et al. (2013). 「数理統計学の概要」(第7版): p137. ↩︎