मेरा सुझाव है कि अनुमानक का प्रकार कुछ बातों पर निर्भर करता है:
- अनुमान गलत होने के क्या परिणाम हैं? (जैसे यह बहुत कम बुरा है यदि आपका अनुमानक बहुत अधिक है, बहुत कम होने की तुलना में; या क्या आप त्रुटि की दिशा के बारे में उदासीन हैं? यदि कोई त्रुटि दो बार बड़ी है, तो क्या यह दो बार खराब है? क्या यह प्रतिशत त्रुटि या पूर्ण त्रुटि है? यह महत्वपूर्ण है? क्या अनुमान केवल मध्यवर्ती कदम है जो भविष्यवाणी के लिए आवश्यक है? क्या बड़ा नमूना व्यवहार छोटे या छोटे व्यवहार से अधिक या कम महत्वपूर्ण है?)
- आपके द्वारा अनुमानित राशि के बारे में आपकी पूर्व जानकारी क्या है? (जैसे कि डेटा आपकी मात्रा से कार्यात्मक रूप से कैसे संबंधित है? क्या आप जानते हैं कि क्या मात्रा सकारात्मक है? असतत? क्या आपके पास यह मात्रा पहले है? आपके पास कितना डेटा है? क्या आपके डेटा में कोई "समूह इंवेरियन" संरचना है?)
- आपके पास क्या सॉफ्टवेयर है? (उदाहरण के लिए MCMC का कोई अच्छा सुझाव नहीं है यदि आपके पास ऐसा करने के लिए सॉफ़्टवेयर नहीं है, या यदि आप ऐसा करने के लिए नहीं जानते हैं तो GLMM का उपयोग करें।)
पहले दो बिंदु संदर्भ विशिष्ट हैं, और आपके विशिष्ट अनुप्रयोग के बारे में सोचकर , आप आम तौर पर कुछ गुणों को परिभाषित करने में सक्षम होंगे, जो आप अपने अनुमानक के पास चाहते हैं। आप तब अनुमानक का चयन करते हैं जिसे आप वास्तव में गणना कर सकते हैं, जिसमें कई गुण हैं जो आप इसे चाहते हैं।
मुझे लगता है कि एक शिक्षण पाठ्यक्रम के संदर्भ में कमी का अनुमान है, इसका मतलब है कि अक्सर "डिफ़ॉल्ट" मानदंड का उपयोग किया जाता है, इसी तरह पूर्व सूचना के लिए (सबसे स्पष्ट "डिफ़ॉल्ट" होने के नाते कि आप अपने डेटा का नमूना वितरण जानते हैं)। यह कहने के बाद कि, डिफ़ॉल्ट विधियों में से कुछ अच्छे हैं, खासकर यदि आप संदर्भ के बारे में पर्याप्त नहीं जानते हैं। लेकिन आप अगर ऐसा संदर्भ जानते हैं, और आप उपकरण है कि संदर्भ शामिल करने के लिए है, तो आप, के लिए अन्यथा आप जवाबी सहज परिणाम (क्योंकि आप क्या पर ध्यान नहीं दिया की) प्राप्त कर सकते हैं चाहिए।
मैं एक सामान्य नियम के रूप में एमवीयूई का बहुत बड़ा प्रशंसक नहीं हूं, क्योंकि निष्पक्ष-नेस पाने के लिए आपको अक्सर बहुत अधिक विचरण करने की आवश्यकता होती है। उदाहरण के लिए, कल्पना करें कि आप डार्टबोर्ड पर डार्ट्स फेंक रहे हैं, और आप बैलों-आंख को मारना चाहते हैं। यह मानते हुए कि किसी विशेष फेंकने की रणनीति के लिए बैल-आंख से अधिकतम विचलन 6 सेमी है, लेकिन डार्ट बिंदुओं का केंद्र बैलसे के ऊपर 1 सेमी है। यह MVUE नहीं है, क्योंकि केंद्र बुल्सआई पर होना चाहिए। लेकिन मान लीजिए कि वितरण को 1 सेमी नीचे (औसत पर) शिफ्ट करने के लिए, आपको अपने त्रिज्या को कम से कम 10 सेमी तक बढ़ाना होगा (इसलिए अधिकतम त्रुटि अब 10 सेमी है, और 6 सेमी नहीं)। यह एक प्रकार की चीज है जो MVUE के साथ हो सकती है, जब तक कि विचरण पहले से ही छोटा न हो। मान लीजिए कि मैं एक अधिक सटीक थ्रो था, और अपनी त्रुटि को 0.1 सेमी तक सीमित कर सकता था। अब पूर्वाग्रह वास्तव में मायने रखता है, क्योंकि मैं बुल्सआई को कभी नहीं मारूंगा!
संक्षेप में, मेरे लिए, पूर्वाग्रह केवल तभी मायने रखता है जब यह विचरण की तुलना में छोटा हो। और आप आमतौर पर केवल छोटे संस्करण प्राप्त करेंगे जब आपके पास एक बड़ा नमूना होगा।