Qual é a variação deste estimador

Quero estimar a média de uma função f, ou seja, onde e são variáveis aleatórias independentes. Eu tenho amostras de f, mas não de identificação: existem amostras de para e para cada há amostras de :

E_{X, Y} [f (X, Y)]

$E_{X,Y}[f(X,Y)]$

X

$X$

Y

$Y$

Y_{1}, Y_{2}, \dots Y_{n}

$Y_1,Y_2,\dots Y_n$

Y_{i}

$Y_i$

n_{i}

$n_i$

X

$X$

X_{i, 1}, X_{i, 2}, \dots, X_{i, n_{i}}

$X_{i,1},X_{i,2},\dots, X_{i,n_i}$

Portanto, no total, tenho amostras $f(X_{1,1},Y_1) \dots f(X_{1,n_1},Y_1 ) \dots f(X_{i,j},Y_i) \dots f(X_{n,n_n},Y_n)$

Para estimar a média calculada Obviamente, portanto é um estimador imparcial. Estou me perguntando agora o que , ou seja, a variação do estimador é.

μ = \sum_{i = 1}^{n} 1 / n * \sum_{j = 1}^{n_{i}} \frac{f (X_{i, j}, Y_{i})}{n_{i}}

$\mu=\sum_{i=1}^n 1/n * \sum_{j=1}^{n_i}\frac{ f(X_{i,j},Y_i)}{n_i}$

E_{X, Y} [μ] = E_{X, Y} [f (X, Y)]

$E_{X,Y}[\mu]=E_{X,Y}[f(X,Y)]$

μ

$\mu$

V a r (μ)

$Var(\mu)$

Edit 2: Esta é a variação correta? É parece funcionar no limite, ou seja, se n = 1 e todos os a variação se torna apenas a variação dos meios. E se a fórmula se torna a fórmula padrão para a variação dos estimadores. Isso está correto? Como posso provar que é?

V a r (μ) = \frac{V a r_{Y} (μ_{i})}{n} + \sum_{i = 1}^{n} \frac{V a r_{X} (f (X, Y_{i})))}{n_{i} * n^{2}}

$Var(\mu)=\frac{Var_Y(\mu_i)}{n}+\sum_{i=1}^n \frac{Var_X(f(X,Y_i)))}{n_i*n^2}$

n_{i} = \infty

$n_i=\infty$

n_{i} = 1

$n_i=1$

Editar (ignore isso):

Então, acho que fiz algum progresso: primeiro vamos definir que é um estimador imparcial de . $\mu_i=\sum_{j=1}^{n_i}\frac{ f(X_{i,j},Y_i)}{n_i}$ $E_X[f(X,Y_i)]$

Usando a fórmula padrão para variação, podemos escrever:

V a r (μ) = 1 / n^{2} \sum_{l = 1}^{n} \sum_{k = 1}^{n} C o v (μ_{l}, μ_{k})

$Var(\mu)=1/n^2 \sum_{l=1}^n \sum_{k=1}^n Cov(\mu_l,\mu_k)$ Isso pode ser simplificado para e como os s são desenhados independentemente, podemos simplificá-lo ainda mais para E para a covariância:

1 / n^{2} (\sum_{i = 1}^{n} V a r (μ_{l}) + 1 / n^{2} \sum_{l = 1}^{n} \sum_{k = l + 1}^{n} 2 * C o v (μ_{l}, μ_{k}))

$1/n^2( \sum_{i=1}^n Var(\mu_l)+ 1/n^2\sum_{l=1}^n \sum_{k=l+1}^n 2*Cov(\mu_l,\mu_k))$

X_{i j}

$X_{ij}$

1 / n^{2} (\sum_{i = 1}^{n} 1 / n_{i} V a r (f (X_{i, j}, Y_{i})) + 1 / n^{2} \sum_{l = 1}^{n} \sum_{k = l + 1}^{n} 2 * C o v (μ_{l}, μ_{k}))

$1/n^2( \sum_{i=1}^n 1/n_i Var(f(X_{i,j},Y_i))+1/n^2 \sum_{l=1}^n \sum_{k=l+1}^n 2*Cov(\mu_l,\mu_k))$

\begin{aligned} C o v (μ_{l}, μ_{k}) & = C o v (\sum_{j = 1}^{n_{l}} \frac{f (X_{j, l}, Y_{l})}{n_{l}}, \sum_{j = 1}^{n_{k}} \frac{f (X_{j, k}, Y_{k})}{n_{k}}) \\ = \frac{1}{(n_{k} * n_{l})} * C o v (\sum_{j = 1}^{n_{l}} f (X_{j, l}, Y_{l}), \sum_{j = 1}^{n_{k}} f (X_{j, k}, Y_{k})) \\ = \frac{1}{(n_{k} * n_{l})} * \sum_{j = 1}^{n_{l}} \sum_{j = 1}^{n_{k}} C o v (f (X, Y_{l}), f (X, Y_{k})) \\ = \frac{n_{k} * n_{l}}{(n_{k} * n_{l})} C o v (f (X_{i, l}, Y_{l}), f (X_{i, k}, Y_{k})) \\ = C o v (f (X, Y_{l}), f (X, Y_{k})) \end{aligned}

$\begin{align} Cov(\mu_l,\mu_k)&=Cov(\sum_{j=1}^{n_l} \frac{f(X_{j,l},Y_l)}{n_{l}},\sum_{j=1}^{n_k} \frac{f(X_{j,k},Y_k)}{n_{k}})\\ &=\frac{1}{(n_k*n_l)}*Cov(\sum_{j=1}^{n_l} f(X_{j,l},Y_l),\sum_{j=1}^{n_k} f(X_{j,k},Y_k))\\ &=\frac{1}{(n_k*n_l)}*\sum_{j=1}^{n_l}\sum_{j=1}^{n_k}Cov( f(X,Y_l), f(X,Y_k))\\ &=\frac{n_k*n_l}{(n_k*n_l)}Cov( f(X_{i,l},Y_l), f(X_{i,k},Y_k))\\ &=Cov( f(X,Y_l), f(X,Y_k)) \end{align}$ Então, conectando isso de volta, obtemos Tenho várias perguntas agora:

1 / n^{2} (\sum_{i = 1}^{n} 1 / n_{i} V a r (f (X, Y_{i})) + 1 / n^{2} \sum_{l = 1}^{n} \sum_{k = l + 1}^{n} 2 * C o v (f (X, Y_{l}), f (X, Y_{k})))

$1/n^2( \sum_{i=1}^n 1/n_i Var(f(X,Y_i))+1/n^2 \sum_{l=1}^n \sum_{k=l+1}^n 2*Cov(f(X,Y_l),f(X,Y_k)))$

O cálculo acima está correto?
Como posso estimar partir das amostras fornecidas? $Cov(f(X,Y_l),f(X,Y_k)))$
A variação converge para 0 se eu deixar n ir para o infinito?

variance unbiased-estimator estimators

— Benedikt Bünz
fonte

Q1: Não, não está certo. Você omite os subscritos na linha 3 de sua derivação final da covariância. Isso obscurece o fato de que os dois RVs rotulados como "X" são de fato independentes um do outro: um tinha um subscrito e o outro, um . Nesse bloco inteiro de igualdades, os únicos termos diferentes de zero devem ser quando , porque as funções de entradas independentes são independentes. (Suponho que você esteja bem em dizer é independente de mesmo que isso não ocorra, estritamente falando, das reivindicações de independência entre pares de todos os e ) $\ell$ $k$ $k=\ell$ $X_{12}, Y_1$ $X_{22}, Y_2$ $X$ $Y$

Q2: Acima, esse termo é diferente de zero somente quando e, nesse caso, reduz-se a . O resultado após a soma é . $k=\ell$ $Cov(f(X_{jk}, Y_k), f(X_{jk}, Y_k)) = Var(f(X_{jk}, Y_k))$ $Cov(\mu_k, \mu_k) = \frac{1}{n_k} Var(f(X_{jk}, Y_k))$

Q3: Sim: após essas modificações, você terá apenas um número linear de termos na última soma, portanto o termo quadrático do denominador vencerá.

— eric_kernfeld
fonte

A resposta para "A variação converge para 0 se eu deixar n ir para o infinito?" é sim".

— Eric_kernfeld