Estimateur impartial de l'exponentielle de mesure d'un ensemble?
12
Supposons que nous ayons un ensemble (mesurable et convenablement bien comporté) S⊆B⊂Rn , où B est compact. De plus, supposons que nous puissions tirer des échantillons de la distribution uniforme sur B rapport à la mesure de Lebesgue λ(⋅) et que nous connaissons la mesure λ(B) . Par exemple, peut - être B est une boîte [−c,c]n contenant S .
Pour α∈R fixe , existe-t-il un moyen simple non biaisé d'estimer e−αλ(S) en échantillonnant uniformément les points dans B et en vérifiant s'ils sont à l'intérieur ou à l'extérieur de S ?
Comme exemple de quelque chose qui ne fonctionne pas tout à fait, supposons que nous échantillonnons k points p1,…,pk∼Uniform(B) . Ensuite , nous pouvons utiliser l'estimation Monte Carlo
λ(S)≈λ^:=#{pi∈S}kλ(B).
Mais, alors que λ est un estimateur sans biais deλ(S), je ne pense pas que ce soit le cas quee-a λ est un estimateur sans biais dee-aλ(S). Existe-t-il un moyen de modifier cet algorithme?λ^λ(S)e−αλ^e−αλ(S)
Intéressant! L'estimateur de décrit dans la question ne fonctionne-t-il pas ici, car il est délimité ci-dessus par ? De plus, comment se fait-il que cela ne contredit pas la réponse de @whuber ci-dessous? Y a-t-il un argument simple pour expliquer pourquoi cela est impartial? Désolé pour de nombreuses questions, ma théorie des probabilités est faible :-)λ^λ(B)<∞
Justin Solomon
1
L'estimateur que vous décrivez fonctionne, puisque vous connaissez . Je pense que cela ne contredit pas l'autre réponse en raison de l'hypothèse ; étant donné l'accès limité à des estimateurs non biaisés, je ne pense pas que cette construction fonctionnerait. L'impartialité vient en comparant l'attente de à la série de puissances ci-dessus; Je vais clarifier cela dans la réponse. λ(B)5Λ^
πr8
Êtes-vous sûr de pouvoir échanger le produit et les attentes dans la deuxième ligne de la preuve d'impartialité?
jbowman
2
On dirait que c'est ok parce qu'ils sont calculés iid, non?
Justin Solomon
2
+1 Je pense que c'est un exemple intéressant et instructif. Il réussit en ne faisant pas d'hypothèse implicite à ma réponse: que la taille de l'échantillon est soit spécifiée, soit au moins limitée.
whuber
10
La réponse est négative.
Une statistique suffisante pour un échantillon uniforme est le compte des points observés se situant dans Ce compte a une distribution binomiale . Écrivez etXS.(n,λ(S)/λ(B))p=λ(S)/λ(B)α′=αλ(B).
Pour un échantillon de soit tout estimateur (non randomisé) de L'attente estn,tnexp(−αλ(S))=exp(−(αλ(B))p)=exp(−α′p).
E[tn(X)]=∑x=0n(nx)px(1−p)n−xtn(x),
ce qui équivaut à un polynôme de degré au plus en Mais si l'exponentielle ne peut pas être exprimée comme un polynôme en (Une preuve: prendre dérivées. Le résultat de l'espérance sera nul mais la dérivée de l'exponentielle, qui est elle-même une exponentielle en ne peut pas être nulle.)np.α′p≠0,exp(−α′p)p.n+1p,
La démonstration pour les estimateurs randomisés est à peu près la même: en prenant les attentes, on obtient à nouveau un polynôme enp.
Par conséquent, aucun estimateur non biaisé n'existe.
Ah, c'est un point négatif! Merci pour la belle preuve. Mais, la série de Taylor pour converge assez rapidement --- peut-être existe-t-il un estimateur "approximativement sans biais"? Je ne sais pas ce que cela signifie (je ne suis pas un statisticien :-))exp(t)
Justin Solomon
À quelle vitesse, exactement? La réponse dépend de la valeur de - et c'est là que réside votre problème, car vous ne savez pas quelle est cette valeur. Vous savez seulement qu'il se situe entre et Vous pouvez l'utiliser pour établir une limite sur le biais si vous le souhaitez. α′p0α.
whuber
Dans ma demande , je pense d'occuper une grande partie de . J'aimerais utiliser cette valeur dans un rapport d'acceptation pseudo-marginal Metropolis-Hastings, je ne sais pas si cette méthode peut gérer même des niveaux de biais contrôlables ...SB
Justin Solomon
4
BTW J'apprécierais vraiment vos pensées sur l'autre réponse à cette question!
La réponse est négative.
Une statistique suffisante pour un échantillon uniforme est le compte des points observés se situant dans Ce compte a une distribution binomiale . Écrivez etX S. (n,λ(S)/λ(B)) p=λ(S)/λ(B) α′=αλ(B).
Pour un échantillon de soit tout estimateur (non randomisé) de L'attente estn, tn exp(−αλ(S))=exp(−(αλ(B))p)=exp(−α′p).
ce qui équivaut à un polynôme de degré au plus en Mais si l'exponentielle ne peut pas être exprimée comme un polynôme en (Une preuve: prendre dérivées. Le résultat de l'espérance sera nul mais la dérivée de l'exponentielle, qui est elle-même une exponentielle en ne peut pas être nulle.)n p. α′p≠0, exp(−α′p) p. n+1 p,
La démonstration pour les estimateurs randomisés est à peu près la même: en prenant les attentes, on obtient à nouveau un polynôme enp.
Par conséquent, aucun estimateur non biaisé n'existe.
la source