Um intervalo de confiança de


8

Digamos que sabemos o significado de uma determinada distribuição. Isso afeta a estimativa de intervalo da variação de uma variável aleatória (que de outra forma é calculada usando a variação da amostra)? Como em, podemos obter um intervalo menor para o mesmo nível de confiança?


Atualizei significativamente minha resposta, acho que ela responde totalmente à pergunta do OP agora. As diferenças entre minhas e outras respostas se devem ao fato de eu estar implicitamente usando variações condicionais. Agora eu os expliquei. Basicamente, quando você fala sobre o intervalo de confiança do estimador de variância, deve levar em consideração o conhecimento da média da população.
Aksakal

Parece que a pergunta deveria ser "podemos obter um intervalo mais preciso para o mesmo nível de confiança".
Gregor Thomas

Respostas:


12

Não tenho certeza absoluta de que minha resposta esteja correta, mas argumentaria que não há um relacionamento geral. Aqui está o meu ponto:

Vamos estudar o caso em que o intervalo de confiança da variação é bem compreendido, viz. amostragem de uma distribuição normal (como você indica na tag da pergunta, mas não realmente a pergunta em si). Veja a discussão aqui e aqui .

Um intervalo de confiança para segue do pivô , em que . (Esta é apenas outra maneira de escrever a expressão possivelmente mais familiar , em que ) T = n σ 2 / σ 2 ~ χ 2 n - 1 σ 2 = 1 / n Σ i ( X i - ˉ X ) 2 t = ( n - 1 ) s 2 / σ 2 ~ χ 2 n - 1 s 2 = 1 / ( n - 1σ2T=nσ^2/σ2χn12σ^2=1/ni(XiX¯)2T=(n1)s2/σ2χn12s2=1/(n1)i(XiX¯)2

Assim, temos Portanto, um intervalo de confiança é . Podemos escolher e como quantis e .(nσ2/cn-1u,nσ2/cn-1l)cn-1lcn-1ucn-1u=χ2n-1,1-α/2cn-1l

1α=Pr{cln1<T<cun1}=Pr{cln1nσ^2<1σ2<cun1nσ^2}=Pr{nσ^2cun1<σ2<nσ^2cln1}
(nσ^2/cun1,nσ^2/cln1)cln1cun1cun1=χn1,1α/22cln1=χn1,α/22

(Observe que, para qualquer variação que calcule que, como a é enviesada, os quantis produzirão um ci com a probabilidade de cobertura correta, mas não serão ideais, ou seja, os mais curtos possíveis. Para que o intervalo seja o mais curto possível, exigimos que a densidade seja idêntica nas extremidades inferior e superior do ci, dadas algumas condições adicionais, como a unimodalidade. Não sei se o uso desse ci ideal mudaria as coisas nesta resposta.)χ2

Conforme explicado nos links, , em que usa o conhecido significar. Portanto, obtemos outro intervalo de confiança válido Aqui, e serão, assim, quantis da 2_n. s 2 0 = 1T=ns02/σ2χn2 1 - αs02=1ni(Xiμ)2cnlcnuχ2n

1α=Pr{cln<T<cun}=Pr{ns02cun<σ2<ns02cln}
clncunχn2

As larguras dos intervalos de confiança são e A largura relativa é Sabemos que como a média da amostra minimiza a soma dos desvios ao quadrado. Além disso, vejo poucos resultados gerais em relação à largura do intervalo, pois não conheço resultados claros de como as diferenças e os produtos dos quantis superior e inferior se comportam à medida que aumentamos os graus de liberdade em um (mas veja a figura abaixo). wT=ns 2 0 (c n u -c n l )

wT=nσ^2(cun1cln1)cln1cun1
wT
wT=ns02(cuncln)clncun
wTwT=σ^2s02cun1cln1cunclnclncuncln1cun1
σ^2/s021χ2

Por exemplo, deixar

rn:=cun1cln1cunclnclncuncln1cun1,
temos

r101.226
para e , o que significa que o ci baseado em irá ser menor se α=0.05n=10σ^2
σ^2s021.226

Usando o código abaixo, fiz um pequeno estudo de simulação, sugerindo que o intervalo baseado em vencerá na maioria das vezes. (Veja o link publicado na resposta de Aksakal para obter uma racionalização de grande amostra desse resultado.)s02

A probabilidade parece se estabilizar em , mas não conheço uma explicação analítica de amostra finita:n

insira a descrição da imagem aqui

    rm(list=ls())

IntervalLengthsSigma2 <- function(n,alpha=0.05,reps=100000,mu=1) {
  cl_a <- qchisq(alpha/2,df = n-1)
  cu_a <- qchisq(1-alpha/2,df = n-1)
  cl_b <- qchisq(alpha/2,df = n)
  cu_b <- qchisq(1-alpha/2,df = n)

  winners02 <- rep(NA,reps)

  for (i in 1:reps) {
    x <- rnorm(n,mean=mu)
    xbar <- mean(x)
    s2 <- 1/n*sum((x-xbar)^2)
    s02 <- 1/n*sum((x-mu)^2)

    ci_a <- c(n*s2/cu_a,n*s2/cl_a)
    ci_b <- c(n*s02/cu_b,n*s02/cl_b)

    winners02[i] <- ifelse(ci_a[2]-ci_a[1]>ci_b[2]-ci_b[1],1,0)  
  }
  mean(winners02)
}

nvalues <- matrix(seq(5,200,by=10)) 
plot(nvalues,apply(nvalues,1,IntervalLengthsSigma2),pch=19,col="lightblue",type="b")

A figura a seguir plota contra , revelando (como a intuição sugere) que a razão tende a 1. Como, além disso, para grande, a diferença entre as larguras dos dois cis desaparecer como . (Veja novamente o link postado na resposta de Aksakal para uma racionalização de grande amostra desse resultado.)rnnX¯pμnn

insira a descrição da imagem aqui


1
Boa solução, mas você pode dizer qual largura tem mais chances de ganhar?
martianwars

1
Você precisaria da distribuição de probabilidade de , sua inversa ou de ou algo relacionado. Isso permitiria calcular a probabilidade de vitória analiticamente. wT/wTwTwT
Christoph Hanck

1
Sim, é por isso que e . T=nσ^2/σ2χn12T=ns02/σ2χn2
Christoph Hanck

1
Atualmente, não tenho acesso ao artigo, mas, se é "apenas" a variação dos estimadores, não vejo discordância necessária (e minha simulação confirma que o conhecido- normalmente faz melhor): que um estimador faz melhor que outro um em termos de variância não impede que o "pior" faz melhor em qualquer amostra - um pouco ao longo da linha do que @Scortchi dizμ
Christoph Hanck

1
Eu acho importante notar que sua simulação mostra que, como , parece não haver diferença. Não leva em conta o que acontece quando , o comprimento de aumenta. Percebo que foi assumido como 1, mas a diferença entre e se torna muito mais importante à medida que cresce. nkμsσ^k
Cliff AB

7

Deixe-me primeiro configurar o problema. Sabemos a média da população. Este é um ponto muito importante a ser destacado no início, porque sem ele, não teremos uma resposta significativa.

Eu vou explicar o porquê. Digamos que temos uma amostra e não sabemos a média da população. Temos um estimador usual da variância:

σ=1n1sumi(xix¯)2

Agora, somos informados de que a média da população é . Nosso primeiro instinto é conectá-lo ao estimador de variância:μ

σ=1nsumi(xiμ)2

Observe que agora é um estimador diferente! Tem denominador diferente, etc. Tem uma variação diferente em si.

No entanto, é correto comparar e ? Não, não é.Var[σ]Var[σ]

Temos que comparar e . Em outras palavras, temos que comparar a variação desses dois estimadores, condicionada ao conhecimento da média da população! Caso contrário, cairemos no paradoxo de @ Scortchi.Var[σ|E[xi]=μ]Var[σ|E[xi]=μ]

Quando você obtém novas informações, ou seja, , você deve incluí-las na estimativa de ! Isso resolve o paradoxo de @ Scortchi em seu comentário diretamente. As equações que vi até agora nas respostas não incluem o conhecimento de no IC ou a variância do estimador de variância . No exemplo de @ Scortchi, saber que levaria a uma revisão do CI of .V um r [ σ ] μ σ ˉ x > > μ σE[xi]=μVar[σ]μσx¯>>μσ

Portanto, minha resposta aqui segue a configuração que acabei de descrever.

Sim, o intervalo de confiança teria sido mais estreito.

Filosoficamente, conhecer a média da população é uma informação adicional; portanto, a incerteza deve ser menor neste caso.

Exemplo: se sua distribuição for Poisson, a variação será igual à média. Portanto, conhecer significa que você também conhece a variação, e o intervalo de confiança diminui a um ponto. Não há intervalo.

ATUALIZAÇÃO: Veja este artigo : "Estimando uma variação populacional com média conhecida" de Zhang, 1996. Ele compara a estimativa padrão de variação vs aquele que usa o conhecimento da população significa . Ele chega à mesma conclusão: a variação da última estimativa é menor que a da anterior, ou seja, o intervalo de confiança da estimativa de variância seria mais estreito. Ele também mostra que a vantagem desaparece quando o tamanho da amostra tende ao infinito.11n1i(xix¯)21ni(xiμ)2

Penso que este artigo é a resposta definitiva para sua pergunta.


isso não está em desacordo com a minha resposta (pelo menos nessa generalidade - eu certamente concordo com o bom exemplo de Poisson)?
Christoph Hanck

1
Bem, há uma diferença entre a duração esperada do intervalo de confiança e a duração do intervalo de confiança que você pode calcular a partir de um conjunto de dados específico (considere o que acontece quando a média da amostra está, incomumente, muito longe da verdadeira média da população) .
Scortchi - Reinstate Monica

+1, sua opinião sobre a distribuição de Poisson (e distribuições em que a variação é uma função da média geralmente) é boa. No entanto, observe que o OP parece ter a distribuição normal em mente e, como mostra a resposta de @ ChristophHanck, a situação é mais complicada lá.
gung - Restabelece Monica

@ Scortchi, veja minha resposta ao seu comentário. A essência: estamos respondendo a perguntas diferentes. Estou comparando os estimadores DIFERENTES sob a mesma suposição de média populacional conhecida.
Aksakal

2
Não sei se entendi o que você quer dizer com . Isso significa ? Se não, então o que mais? Se sim, talvez seu argumento seja mais claro se você o escrever dessa maneira. Var [ σ | ˉ x = μ ]Var[σ|E[xi]=μ]Var[σ|x¯=μ]
Ameba

3

Estendendo a resposta de @Cristoph Hanck um pouco, e adaptando seu código…

Suponha que o Sr. A desconheça a verdadeira média ou as estatísticas, e o Sr. B desconheça nenhum dos dois. Pode parecer estranho, até injusto, que o Sr. A possa obter um intervalo de confiança mais curto para a variação usando o pivô que o Sr. B usando o pivô . Mas no longo prazo, o Sr. B ganha em vez de um sentido forte: seus intervalos de confiança são estocasticamente estreito-para qualquer largura o cuidado de especificar, a proporção de CIs do Sr. B mais estreitas do que é maior do que a proporção de Mr de um.T w wTTww

insira a descrição da imagem aqui

Reunir o subconjunto de casos em que o IC do Sr. A sai mais estreito mostra que nesses casos ele tem uma cobertura mais baixa (cerca de 91%); mas ele paga por isso com maior cobertura (cerca de 96%) no subconjunto de casos em que seu intervalo é maior, obtendo a cobertura correta (95%) no geral. É claro que o Sr. A não sabe quando o IC está em qual subconjunto. E um esperto Sr. C, que conhece a verdadeira média e escolhe ou acordo com os quais resulta no IC mais restrito, eventualmente será exposto quando seus intervalos falharem em manter a suposta cobertura de 95%.T TT

IntervalLengthsSigma2 <- function(n,alpha=0.05,reps=100000,mu=1) {
  cl_a <- qchisq(alpha/2,df = n-1)
  cu_a <- qchisq(1-alpha/2,df = n-1)
  cl_b <- qchisq(alpha/2,df = n)
  cu_b <- qchisq(1-alpha/2,df = n)

  winners02 <- rep(NA,reps)
  width.a <- rep(NA,reps)
  width.b <- rep(NA,reps)
  sigma2.in.a <- rep(NA,reps)
  sigma2.in.b <- rep(NA,reps)

  for (i in 1:reps) {
    x <- rnorm(n,mean=mu)
    xbar <- mean(x)
    s2 <- 1/n*sum((x-xbar)^2)
    s02 <- 1/n*sum((x-mu)^2)

    ci_a <- c(n*s2/cu_a,n*s2/cl_a)
    ci_b <- c(n*s02/cu_b,n*s02/cl_b)

    winners02[i] <- ifelse(ci_a[2]-ci_a[1]>ci_b[2]-ci_b[1],1,0) 
    ci_a[2]-ci_a[1] -> width.a[i]
    ci_b[2]-ci_b[1] -> width.b[i]
    ifelse(ci_a[1]< 1 & ci_a[2] > 1, 1, 0) -> sigma2.in.a[i]
    ifelse(ci_b[1]< 1 & ci_b[2] > 1, 1, 0) -> sigma2.in.b[i]
  }

 list(n=n, width.a=width.a,width.b=width.b, sigma2.in.a=sigma2.in.a, sigma2.in.b=sigma2.in.b, winner=winners02)
}

# simulate for sample size of 6
IntervalLengthsSigma2(n=6) -> sim

# plot empirical CDFs of CI widths for mean known & mean unknown
plot(ecdf(sim$width.a), xlab="CI width", ylab="empirical CDF", sub=paste("n=",sim$n), main="")
lines(ecdf(sim$width.b), col="red")
legend("bottomright", lty=1, col=c("black", "red"), legend=c("mean unknown (Mr A)", "mean known (Mr B)"))

# coverage with mean unknown:
mean(sim$sigma2.in.a)
# coverage with mean unknown when CI is narrower than with mean known:
mean(sim$sigma2.in.a[sim$winner==0])
# coverage with mean unknown when CI is wider than with mean known:
mean(sim$sigma2.in.a[sim$winner==1])

# coverage with mean known:
mean(sim$sigma2.in.b)
# coverage with mean known when CI is wider than with mean unknown:
mean(sim$sigma2.in.b[sim$winner==0])
# coverage with mean known when CI is narrower than with mean unknown;
mean(sim$sigma2.in.b[sim$winner==1])

2

Não posso comentar, mas a afirmação abrangente de Aksakal "conhecer a média da população é uma informação adicional, portanto a incerteza deve ser menor neste caso" não é evidente.

No caso normalmente distribuído, o estimador de probabilidade máxima da variação quando é desconhecido:μ

1ni=1n(XiX¯)2

tem uma variação uniformemente menor do que

1ni=1n(Xiμ)2

para quaisquer valores deμ,σ


Você leu o jornal na minha resposta?
Aksakal

Não, mas a variação imparcial da amostra mencionada na atualização não é o estimador de probabilidade máxima, portanto, não tenho certeza de que o papel seja relevante. Você pode fazer um estudo rápido de simulação para verificar minha reivindicação.
Rand Forrester

mesmo se você usar seu estimador, o que quero dizer é que, para ter uma comparação significativa, é necessário calcular a variação do estimador condicionada ao conhecimento de . O que você acha que é a variação de dois estimadores que você forneceu? Antes de responder à minha pergunta, verifique se ambos incluem de alguma forma. μμμ
Aksakal

2
Aksakal, eu estou falando sobre comparar a variância amostral do MLE de quando você faz vs. não sabe . Nesse contexto, não sei o que "calcular a variação do estimador condicional ao conhecimento " significa. Em relação à sua pergunta, não há necessidade de fazer um cálculo exato. Um simples estudo de simulação verificará o que estou dizendo. uuσ^μμ
Rand Forrester

3
Olha, eu não ficaria surpreso se você estiver certo, mas se você quer dizer que sou incompetente, esclareça o que significa "condicional em ". "Condicional" só tem uma definição técnica (tanto quanto eu sei) quando se refere a variáveis ​​aleatórias. Eu assumi que era uma referência abreviada à estimativa de quando se supõe que seja conhecido, por exemplo, o MLE, em oposição ao MLE de quando você não sabe : Parece que você quer dizer outra coisa. Gostaria de receber um esclarecimento. Obrigado. σ μ 1μσμσμ1
1n(Xiμ)2
σμ
1n(XiX¯)2
Rand Forrester
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.