आकलनकर्ता और अनुमान के बीच क्या संबंध है?
आकलनकर्ता और अनुमान के बीच क्या संबंध है?
जवाबों:
ईएल लेहमैन, अपने क्लासिक थ्योरी ऑफ़ पॉइंट एस्टिमेशन में , पीपी 1-2 पर इस सवाल का जवाब देते हैं।
टिप्पणियों को अब यादृच्छिक चर द्वारा लिए गए मानों के रूप में पोस्ट किया जाता है, जिन्हें संयुक्त संभावना वितरण, , कुछ ज्ञात वर्ग से संबंधित माना जाता है ...
... आइए अब हम अनुमान लगाने के लिए विशेषज्ञ हैं ... मान लीजिए कि एक वास्तविक-मूल्यवान फ़ंक्शन है जिसे परिभाषित किया गया है [वितरण के निर्धारित वर्ग पर] और यह कि हम जी के मूल्य को जानना चाहेंगे [जो भी वास्तविक वितरण में है प्रभाव, θ ]। दुर्भाग्य से ,,, और इसलिए जी ( θ ) , अज्ञात है। हालांकि, डेटा के एक अनुमान प्राप्त करने के लिए इस्तेमाल किया जा सकता जी ( θ ) , एक मूल्य है कि एक उम्मीद के करीब होगा जी ( θ ) ।
शब्दों में: एक अनुमानक एक निश्चित गणितीय प्रक्रिया है जो डेटा के किसी भी संभावित सेट के लिए एक संख्या ( अनुमान ) के साथ आती है जो एक विशेष समस्या उत्पन्न कर सकती है। वह नंबर कुछ निश्चित संख्यात्मक संपत्ति (प्रतिनिधित्व करने का इरादा है ) डेटा पीढ़ी की प्रक्रिया के; हम इसे "अनुमान" कह सकते हैं।
अनुमानक खुद एक यादृच्छिक चर नहीं है: यह सिर्फ एक गणितीय कार्य है। हालांकि, यह जो अनुमान लगाता है, वह डेटा पर आधारित होता है, जिसे खुद यादृच्छिक चर के रूप में चित्रित किया जाता है। यह एक यादृच्छिक चर में अनुमान (डेटा के आधार पर) के रूप में सोचा जाता है और डेटा के एक विशेष सेट के लिए एक विशेष अनुमान उस यादृच्छिक चर का एहसास हो जाता है।
एक (पारंपरिक) साधारण कम से कम वर्गों के निर्माण में, डेटा क्रमबद्ध जोड़े मिलकर बनता है । X मैं (वे उदाहरण के लिए, एक दवा प्रशासित की मात्रा हो सकता है) प्रयोगकर्ता द्वारा निर्धारित किया गया है। प्रत्येक y मैं (उदाहरण के लिए दवा के लिए एक प्रतिक्रिया,) एक प्रायिकता वितरण सामान्य है कि से लेकिन अज्ञात मतलब के साथ आने के लिए माना जाता है μ मैं और आम विचरण σ 2 । इसके अलावा, यह माना जाता है कि इसका मतलब है से जुड़े हुए हैं एक्स मैं के माध्यम से एक सूत्र μ मैं = β 0 । इन तीन parameters-- σ , बीटा 0 , और β 1 --determine की अंतर्निहित वितरण y मैं के किसी भी मूल्य के लिए एक्स मैं । इसलिएकिसी भीहै कि वितरण की संपत्ति के के एक समारोह के रूप में सोचा जा सकता है ( σ , β 0 , β 1 ) । इस तरह के गुण के उदाहरण अवरोधन हैं β 0 , ढाल बीटा 1 , का मान क्योंकि ( σ + β, या मूल्य पर भी मतलबएक्स=2है, जो (इस सूत्रीकरण के अनुसार) होना चाहिएβ0+2β1।
इस OLS संदर्भ में, एक अनुमानक का एक गैर-उदाहरण के मूल्य पर अनुमान लगाने के लिए एक प्रक्रिया होगी यदि x 2 के बराबर सेट किया गया था। यह एक अनुमानक नहीं है क्योंकि y का यह मान यादृच्छिक है (एक तरह से पूरी तरह से अलग डेटा की यादृच्छिकता): यह वितरण का एक (निश्चित संख्यात्मक) गुण नहीं है, भले ही यह उस वितरण से संबंधित हो। (हम सिर्फ देखा है, हालांकि, के रूप में उम्मीद की y के लिए एक्स = 2 , के बराबर बीटा 0 + 2 β 1 , अनुमान लगाया जा सकता है।)
लेहमैन के निर्माण में, लगभग कोई भी सूत्र लगभग किसी भी संपत्ति का अनुमानक हो सकता है। एक अनुमानक और एक अनुमान के बीच कोई अंतर्निहित गणितीय लिंक नहीं है। हालांकि, हम आकलन कर सकते हैं - अग्रिम रूप से - मौका है कि एक अनुमानक अनुमान लगाने के इरादे से मात्रा के करीब होगा। ऐसा करने के तरीके, और उनका शोषण कैसे करें, अनुमान सिद्धांत के विषय हैं।
संक्षेप में: एक अनुमानक एक कार्य है और एक अनुमान एक मूल्य है जो एक देखे गए नमूने को सारांशित करता है।
एक अनुमानक एक फ़ंक्शन है जो पैरामीटर अनुमान के लिए एक यादृच्छिक नमूना मैप करता है:
ध्यान दें कि की एक आकलनकर्ताnयादृच्छिक परिवर्तनीयएक्स1,एक्स2,। । । ,एक्सएनएक यादृच्छिक चर रहा है Θ । उदाहरण के लिए, एक आकलनकर्ता नमूना मतलब है: ¯ एक्स =1
उदाहरण के लिए, मनाया नमूना के एक अनुमानएक्स1,एक्स2,। । । ,एक्सएननमूना मतलब है: μ = ¯ एक्स =1
एक रेखीय प्रतिगमन मॉडल के संदर्भ में व्हीबर के उत्तर को समझाने में मददगार हो सकता है। मान लें कि आपके पास कुछ बायवेरिएट डेटा हैं और आप निम्नलिखित मॉडल के साथ आने के लिए साधारण Least वर्ग का उपयोग करते हैं:
Y = 6X + 1
इस बिंदु पर, आप, एक्स के किसी भी मान ले मॉडल में प्लग और परिणाम, वाई भविष्यवाणी इस अर्थ में कर सकते हैं, तो आप मॉडल (के सामान्य रूप से अलग-अलग घटकों के बारे में सोच सकता है एमएक्स + बी ) के रूप में आकलनकर्ता । नमूना डेटा (जिसे आपने सामान्य रूप से मीटर और बी के लिए विशिष्ट मानों की गणना करने के लिए मॉडल में प्लग किया था ) एक आधार प्रदान किया था जिस पर आप एम और बी के लिए अनुमान लगा सकते हैं। क्रमशः ।
नीचे दिए गए हमारे सूत्र में @ व्हीबर के बिंदुओं के अनुरूप, जो भी वाई के मान हैं आकलनकर्ता के एक विशेष सेट आप उत्पन्न कर रहे हैं के लिए, रेखीय प्रतीपगमन के संदर्भ में, भविष्यवाणी मूल्यों के रूप में के बारे में सोचा।
(संपादित - कुछ समय - नीचे टिप्पणी को प्रतिबिंबित करने के लिए)
मान लीजिए कि आपको कुछ डेटा प्राप्त हुआ है, और आपके पास थीटा नामक कुछ देखे गए चर हैं। अब आपका डेटा डेटा के वितरण से हो सकता है, इस वितरण के लिए, आपके द्वारा अनुमानित थेटा का संबंधित मान है जो एक यादृच्छिक चर है। जब भी आपके डेटा में परिवर्तन होता है, आप इस रैंडम वैरिएबल के अनुमान की गणना के लिए MAP या माध्य का उपयोग कर सकते हैं। इसलिए यादृच्छिक चर थीटा को एक अनुमान के रूप में जाना जाता है , जो एक विशेष प्रकार के डेटा के लिए अप्राप्त चर का एक मूल्य है।
जबकि अनुमानक आपका डेटा है, जो एक यादृच्छिक चर भी है। विभिन्न प्रकार के वितरणों के लिए आपके पास विभिन्न प्रकार के डेटा होते हैं और इस प्रकार आपके पास एक अलग अनुमान होता है और इस प्रकार इस संबंधित यादृच्छिक चर को अनुमानक कहा जाता है ।