参数估算与类比估算的区别（类比估值指标）

参数估算与类比估算的区别

1、8203，前面“回归分析中的问题和修正的探讨区别。讲到了无偏性和有效性，这里把评价参数估计的常用指标简述下下。

2、估算的偏差就是估计值的期望与真实值的差值。如果有两个估计值，那么分布在距离真实值附近的应该效果更好。在这种思路下，相对有效性是相对值，估计1和估计2的相对有效性是平方差的期望的反比值。

3、如果比值越大估值，说明1越有效。单纯从有效性出发。

4、也就是最好的估计是均方差最小的估计区别。如果是无偏估计，那么就是方差最小了。就是随着样本量增加，最后估算值会按概率收敛到真实值，那么就是一致的估计。所以直观上来说，就是随着样本增加，估计距离真实值的附近的波动越来越小估算。

5、一致性和无偏性有一定相似的地方，都是围绕真实值得参数。但是无偏性可以一直震荡，但不收敛类比，而一致性必须收敛。160估值，无偏性要求分布真实值两边对称，但是无偏性只要收敛，并无对称要求。有偏一致的估计。

类比估值指标

1、160，无偏不一致的估计。4渐进性160。渐近性就是现在不满足，但是按照大数定理估算，随着样本数增长就满足了。常见的有渐进无偏性160区别，

2、当前是有偏的，但是随着增大，可以证明是无偏的。渐进有效性估值，譬如均值估计，方差会越来越小指标，收敛到期望，一般来说最大似然估计满足渐进有效性。简单来说就是就算存在奇异值，参考一个奇异值的江湖，经典统计观类比，的时候估计方法也应该适用的。

3、举个例子参数，均值和中值的对比，当正态分布的时候估算，两者是比较一致的，但是偏度比较大的时候，均值和中值表现就不一样了。中值依然能把数据50%的划分，而均值就不行了。你要想象一下，只是偏度变化就这样了，假如有一个超级大的区别，那么均值肯定效果不好指标，所以中值在估算平均水平的时候比较。这也是为什么，对于有偏度的分布，我们要尽量先进行数据变换，参考数据变换，而对于有异常值得数据，先进性异常值检验，参考一个奇异值的江湖估算。

4、经典统计观，一个奇异值的江湖，机器学习观，因为很多算法并不鲁棒。再延伸一步，这样某种意义上指标，从均值发展而来的最小二乘法，详细参考一步一步走向锥规划，最小二乘法估值。也是不鲁棒的。

5、对比之下，而从加上线性思想发展起来的。类比之下，从排序发展起来的估算，也是鲁棒的。延伸之下指标，从最大似然靠近的，也相对鲁棒。