卖掉的网站了对方用来做违法,公司备案证查询网站查询网站查询,销售公司名字大全,hyper cache wordpress背景
方法矩估计#xff08;Method of Moments Estimation#xff09;和最大似然估计#xff08;Maximum Likelihood Estimation, MLE#xff09;是两种常用的参数估计方法。方法矩估计基于样本矩与总体矩的关系#xff0c;通过样本数据计算样本矩来估计总体参数。最大似…背景
方法矩估计Method of Moments Estimation和最大似然估计Maximum Likelihood Estimation, MLE是两种常用的参数估计方法。方法矩估计基于样本矩与总体矩的关系通过样本数据计算样本矩来估计总体参数。最大似然估计基于最大化样本数据的联合概率密度函数通过寻找参数值使得样本数据出现的概率最大来估计参数。
公式
方法矩估计
方法矩估计基于以下公式
样本矩 M k 1 n ∑ i 1 n X i k M_k \frac{1}{n} \sum_{i1}^{n} X_i^k Mkn1∑i1nXik总体矩 E ( X k ) μ k E(X^k) \mu_k E(Xk)μk
通过设定样本矩等于总体矩可以解出参数估计值。
最大似然估计
最大似然估计基于以下公式
似然函数 L ( θ ) ∏ i 1 n f ( X i ; θ ) L(\theta) \prod_{i1}^{n} f(X_i; \theta) L(θ)∏i1nf(Xi;θ)对数似然函数 ln L ( θ ) ∑ i 1 n ln f ( X i ; θ ) \ln L(\theta) \sum_{i1}^{n} \ln f(X_i; \theta) lnL(θ)∑i1nlnf(Xi;θ)
通过最大化对数似然函数来求解参数估计值。
示例题目
示例 1正态分布参数估计
假设样本数据来自一个均值为 μ \mu μ方差为 σ 2 \sigma^2 σ2的正态分布 N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2)我们要估计 μ \mu μ和 σ 2 \sigma^2 σ2。
详细讲解
方法矩估计 样本矩计算 一阶样本矩 M 1 1 n ∑ i 1 n X i M_1 \frac{1}{n} \sum_{i1}^{n} X_i M1n1∑i1nXi二阶样本矩 M 2 1 n ∑ i 1 n X i 2 M_2 \frac{1}{n} \sum_{i1}^{n} X_i^2 M2n1∑i1nXi2 总体矩关系 一阶总体矩 E ( X ) μ E(X) \mu E(X)μ二阶总体矩 E ( X 2 ) μ 2 σ 2 E(X^2) \mu^2 \sigma^2 E(X2)μ2σ2 通过样本矩等于总体矩得到 μ ^ M 1 1 n ∑ i 1 n X i \hat{\mu} M_1 \frac{1}{n} \sum_{i1}^{n} X_i μ^M1n1i1∑nXi σ ^ 2 M 2 − μ ^ 2 \hat{\sigma}^2 M_2 - \hat{\mu}^2 σ^2M2−μ^2
最大似然估计 似然函数 L ( μ , σ 2 ) ∏ i 1 n 1 2 π σ 2 exp ( − ( X i − μ ) 2 2 σ 2 ) L(\mu, \sigma^2) \prod_{i1}^{n} \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(X_i - \mu)^2}{2\sigma^2} \right) L(μ,σ2)i1∏n2πσ2 1exp(−2σ2(Xi−μ)2) 对数似然函数 ln L ( μ , σ 2 ) − n 2 ln ( 2 π σ 2 ) − 1 2 σ 2 ∑ i 1 n ( X i − μ ) 2 \ln L(\mu, \sigma^2) -\frac{n}{2} \ln(2\pi\sigma^2) - \frac{1}{2\sigma^2} \sum_{i1}^{n} (X_i - \mu)^2 lnL(μ,σ2)−2nln(2πσ2)−2σ21i1∑n(Xi−μ)2 对 μ \mu μ和 σ 2 \sigma^2 σ2求导并设为0解得 μ ^ 1 n ∑ i 1 n X i \hat{\mu} \frac{1}{n} \sum_{i1}^{n} X_i μ^n1i1∑nXi σ ^ 2 1 n ∑ i 1 n ( X i − μ ^ ) 2 \hat{\sigma}^2 \frac{1}{n} \sum_{i1}^{n} (X_i - \hat{\mu})^2 σ^2n1i1∑n(Xi−μ^)2
Python代码求解
import numpy as np# 生成样本数据
np.random.seed(0)
data np.random.normal(loc5, scale2, size100)# 方法矩估计
mu_mom np.mean(data)
sigma2_mom np.mean(data**2) - mu_mom**2# 最大似然估计
mu_mle np.mean(data)
sigma2_mle np.var(data, ddof0)print(方法矩估计)
print(fmu {mu_mom}, sigma^2 {sigma2_mom})print(最大似然估计)
print(fmu {mu_mle}, sigma^2 {sigma2_mle})实际生活中的例子
在金融领域中投资组合的收益通常被假设为正态分布。为了估计未来收益的均值和波动率金融分析师可以使用历史收益数据来进行参数估计。通过方法矩估计或最大似然估计可以得出投资组合的均值收益和方差从而指导投资决策。
方法矩估计与最大似然估计的关系与优缺点
两种方法各有优缺点
方法矩估计通常计算简单易于理解但在有限样本量下估计量的效率较低。最大似然估计在大样本量下具有一致性和渐近正态性估计量更有效但计算复杂尤其是对于复杂模型。
选择哪种方法更好取决于具体问题和数据特点。一般情况下最大似然估计更受欢迎因为它在大样本下具有良好的统计性质。
