【数学】什么是方法矩估计?和最大似然估计是什么关系?

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_{i=1}^{n} X_i^k Mk=n1∑i=1nXik
  • 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_{i=1}^{n} f(X_i; \theta) L(θ)=∏i=1nf(Xi;θ)
  • 对数似然函数: ln ⁡ L ( θ ) = ∑ i = 1 n ln ⁡ f ( X i ; θ ) \ln L(\theta) = \sum_{i=1}^{n} \ln f(X_i; \theta) lnL(θ)=∑i=1nlnf(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
  1. 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_{i=1}^{n} X_i M1=n1∑i=1nXi
    • 二阶样本矩: M 2 = 1 n ∑ i = 1 n X i 2 M_2 = \frac{1}{n} \sum_{i=1}^{n} X_i^2 M2=n1∑i=1nXi2
  2. 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)=μ2+σ2
  3. 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_{i=1}^{n} X_i μ^=M1=n1i=1∑nXi
    σ ^ 2 = M 2 − μ ^ 2 \hat{\sigma}^2 = M_2 - \hat{\mu}^2 σ^2=M2−μ^2

最大似然估计
  1. 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_{i=1}^{n} \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(X_i - \mu)^2}{2\sigma^2} \right) L(μ,σ2)=i=1∏n2πσ2 1exp(−2σ2(Xi−μ)2)

  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_{i=1}^{n} (X_i - \mu)^2 lnL(μ,σ2)=−2nln(2πσ2)−2σ21i=1∑n(Xi−μ)2

  3. 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_{i=1}^{n} X_i μ^=n1i=1∑nXi
    σ ^ 2 = 1 n ∑ i = 1 n ( X i − μ ^ ) 2 \hat{\sigma}^2 = \frac{1}{n} \sum_{i=1}^{n} (X_i - \hat{\mu})^2 σ^2=n1i=1∑n(Xi−μ^)2

Python代码求解

python 复制代码
import numpy as np

# 生成样本数据
np.random.seed(0)
data = np.random.normal(loc=5, scale=2, size=100)

# 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, ddof=0)

print("方法矩估计:")
print(f"mu = {mu_mom}, sigma^2 = {sigma2_mom}")

print("最大似然估计:")
print(f"mu = {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。

相关推荐
亦枫Leonlew3 小时前
微积分复习笔记 Calculus Volume 1 - 4.7 Applied Optimization Problems
笔记·数学·微积分·1024程序员节
飞滕人生TYF20 小时前
3^100的位数判断
数学
XuYueming1 天前
[NOIP2022] 比赛 随机排列 部分分
数学·线段树·题解·单调栈·洛谷·扫描线·二维数点·部分分·概率 & 期望
闻缺陷则喜何志丹3 天前
【C++ 曼哈顿距离 数学】1131. 绝对值表达式的最大值|2059
c++·数学·算法·力扣·最大值·哈曼顿距离·绝对值
kuailedetongnian4 天前
组合数学
c++·数学·oi
莫石5 天前
搓绳子(直)
前端·数学·three.js
亦枫Leonlew6 天前
微积分复习笔记 Calculus Volume 1 - 4.4 The Mean Value Theorem
笔记·数学·微积分·1024程序员节
亦枫Leonlew6 天前
微积分复习笔记 Calculus Volume 1 - 4.2 Linear Approximations and Differentials
笔记·数学·微积分·1024程序员节
何曾参静谧6 天前
「Math」高等数学知识点大纲(占位待处理)
数学
亦枫Leonlew10 天前
三维测量与建模笔记 - 2.1 坐标转换基础
笔记·数学·微积分