La moyenne géométrique est un estimateur non biaisé de la moyenne de quelle distribution continue?

11

Existe-t-il une distribution continue exprimable sous forme fermée, dont la moyenne est telle que la moyenne géométrique des échantillons est un estimateur non biaisé de cette moyenne?

Mise à jour: Je viens de réaliser que mes échantillons doivent être positifs (ou bien la moyenne géométrique peut ne pas exister) donc peut-être que continu n'est pas le bon mot. Que diriez-vous d'une distribution qui est nulle pour les valeurs négatives de la variable aléatoire et qui est continue pour les valeurs positives. Quelque chose comme une distribution tronquée.

user53608
la source
2
Une distribution peut être continue tout en ayant un espace d'échantillonnage strictement positif (par exemple la distribution gamma).
gammer
1
Voulez-vous également dire un exemple où la moyenne géométrique d'un échantillon est un estimateur non biaisé du premier moment? Je n'ai vu que la moyenne géométrique d'un ensemble discret de données définies et on ne sait pas comment la moyenne géométrique "vraie" (c'est-à-dire au niveau de la population) serait définie pour une distribution continue ... Peut-être exp(E(log(X))) ?
gammer
Cela fonctionne pour la distribution lognormale.
Michael R. Chernick
Xc

Réponses:

19

Xn>1

E[GM]=E[(i=1nXi)1/n]=E(X)

En raison de l'hypothèse iid , nous avons

E[(i=1nXi)1/n]=E(X11/n...Xn1/n)=E(X11/n)...E(Xn1/n)=[E(X1/n)]n

et nous demandons donc si nous pouvons avoir

[E(X1/n)]n=E(X)

Mais par l'inégalité de Jensen, et le fait que la fonction de puissance est strictement convexe pour des puissances supérieures à l'unité, nous avons cela, presque sûrement pour une variable aléatoire non dégénérée (non constante),

[E(X1/n)]n<E[(X1/n)]n=E(X)

Il n'y a donc pas de telle distribution.

GM

E(Xs)=exp{sμ+s2σ22}

μσ

s=1/n

E(GM)=[E(X1/n)]n=[exp{(μ/n)+σ22n2}]n=exp{μ+σ22n}

(ce qui nous indique qu'il s'agit d'un estimateur biaisé de la médiane). Mais

lim[E(X1/n)]n=limexp{μ+σ22n}=eμ

qui est la médiane de la distribution. On peut également montrer que la variance de la moyenne géométrique de l'échantillon converge vers zéro, et ces deux conditions sont suffisantes pour que cet estimateur soit asymptotiquement cohérent - pour la médiane,

GMpeμ
Alecos Papadopoulos
la source
Peut-être faut-il ajouter que l'inégalité de Jensen, appliquée avec une fonction strictement convexe, n'est une égalité que si est aussi constant. X
Olivier
@Olivier: Je pense que c'est une propriété suffisamment connue pour ajouter de l'encombrement à l'inclure. Dans tous les cas , l'inégalité de Jensen n'est même pas vraiment nécessaire car considérer le cas est déjà suffisamment couplé avec le fait implique presque sûrement par un argument encore plus élémentaire. n=2Var(X)=0X=0
Cardinal
4

C'est un argument similaire à l'excellente réponse d'Alecos, car la moyenne arithmétique, l'inégalité moyenne géométrique est une conséquence de l'inégalité de Jensen.

  • Soit la moyenne arithmétique:AnAn=1ni=1nXi

  • Soit la moyenne géométrique:GnGn=(i=1Xi)1n

La moyenne arithmétique, l'inégalité moyenne géométrique indique que avec égalité si et seulement si chaque observation est égale: . (L'inégalité AMGM est une conséquence de l'inégalité de Jensen .)AnGnX1=X2==Xn

Cas 1: presque sûrementX1=X2==Xn

Alors .E[Gn]=E[An]=E[X]

Dans un certain sens, il s'agit d'un cas entièrement dégénéré.

Cas 2: pourP(XiXj)>0ij

Ensuite, il y a une probabilité positive que la moyenne géométrique soit plus petite que la moyenne arithmétique. Puisque pour tous les résultats et , nous avons alors .GnAnE[An]=E[X]E[Gn]<E[X]

Matthew Gunn
la source