估计量的偏差

在统计学中，估计量的偏差（或偏差函数）是此估计量的期望值与估计参数的真值之差。偏差为零的估计量或决策规则称为无偏的。否则该估计量是有偏的。在统计中，“偏差”是一个函数的客观陈述。

偏差也可以相对于中位數来衡量，而非相对于均值（期望值），在这种情况下为了与通常的“均值”无偏性区别，称作“中值”无偏。偏差与一致性相关联，一致估计量都是收敛并且渐进无偏的（因此会收敛到正确的值），虽然一致序列中的个别估计量可能是有偏的（只要偏差收敛于零）；参见偏差与一致性。

当其他量相等时，无偏估计量比有偏估计量更好一些，但在实践中，并不是所有其他统计量的都相等，于是也经常使用有偏估计量，一般偏差较小。当使用一个有偏估计量时，也会估计它的偏差。有偏估计量可能用于以下原因：由于如果不对总体进一步假设，无偏估计量不存在或很难计算（如）；由于估计量是中值无偏的，却不是均值无偏的（或反之）；由于一个有偏估计量较之无偏估计量（特别是）可以减小一些损失函数（尤其是均方差）；或者由于在某些情况下，无偏的条件太强，这种情况无偏估计量不是必要的。此外，在非线性变换下均值无偏性不会保留，不过中值无偏性会保留（参见变换的效应）；例如样本方差是总体方差的无偏估计量，但它的平方根標準差则是总体标准差的有偏估计量。下面会进行说明。

定义
设我们有一个参数为实数 θ 的概率模型，产生观测数据的概率分布 P_\theta(x) = P(x\mid\theta)，而统计量 \hat\theta 是基于任何观测数据 x 下 θ 的估计量。也就是说，我们假定我们的数据符合某种未知分布 P_\theta(x) = P(x\mid\theta)（其中 θ 是一个固定常数，而且是该分布的一部分，但具体值未知），于是我们构造估计量 \hat\theta，该估计量将观测数据与我们希望的接近 θ 的值对应起来。因此这个估量的（相对于参数 θ的）偏差定义为
: \operatorname{Bias}_\theta[\,\hat\theta\,] = \operatorname{E}_\theta[\,\hat{\theta}\,]-\theta = \operatorname{E}_\theta[\, \hat\theta - \theta \,],

其中 \operatorname{E}_\theta 表示分布 P_\theta(x) = P(x\mid\theta) 的期望值，即对所有可能的观测值 x 取平均。由于 θ 对于条件分布 P(x\mid\theta) 是可测的，就有了第二个等号。

对于参数 θ 的所有值的偏差都等于零的估计量称为无偏估计量。

在一次关于估计量性质的模拟实验中，估计量的偏差可以用来评估。

例子
样本方差
随机变量的样本方差从两方面说明了估计量偏差：首先，自然估计量（）是有偏的，可以通过比例因子校正；其次，无偏估计量的均方差（MSE）不是最优的，可以用一个不同的比例因子来最小化，得到一个比无偏估计量的MSE更小的有偏估计量。

具体地说，自然估计量就是将离差平方和加起来然后除以 n，是有偏的。不过除以 n − 1 会得到一个无偏估计量。相反，MSE可以通过除以另一个数来最小化（取决于分布），但这会得到一个有偏估计量。这个数总会比 n − 1 大，所以这就叫做，因为它把无偏估计量向零“收缩”；对于正态分布，最佳值为 n + 1。

设 X1, ..., Xn 是期望为 μ、方差为 σ2 的独立同分布（i.i.d.）随机变量。如果样本均值与未修正样本方差定义为

:\overline{X}=\frac{1}{n}\sum_{i=1}^nX_i, \qquad S^2=\frac{1}{n}\sum_{i=1}^n\left(X_i-\overline{X}\,\right)^2,

则 S2 是 σ2 的一个有偏估计量，因为
:
\begin{align}
\operatorname{E}[S^2]
&= \operatorname{E}\left[ \frac 1 n \sum_{i=1}^n \big(X_i-\overline{X}\big)^2 \right]
= \operatorname{E}\bigg[ \frac 1 n \sum_{i=1}^n \bigg((X_i-\mu)-(\overline{X}-\mu)\bigg)^2 \bigg] \\[8pt]
&= \operatorname{E}\bigg[ \frac 1 n \sum_{i=1}^n \bigg((X_i-\mu)^2 -
2(\overline{X}-\mu)(X_i-\mu) +
(\overline{X}-\mu)^2\bigg) \bigg] \\[8pt]
&= \operatorname{E}\bigg[ \frac 1 n \sum_{i=1}^n (X_i-\mu)^2 -
\frac 2 n (\overline{X}-\mu) \sum_{i=1}^n (X_i-\mu) +
\frac 1 n (\overline{X}-\mu)^2 \sum_{i=1}^n 1 \bigg] \\[8pt]
&= \operatorname{E}\bigg[ \frac 1 n \sum_{i=1}^n (X_i-\mu)^2 -
\frac 2 n (\overline{X}-\mu)\sum_{i=1}^n (X_i-\mu) +
\frac 1 n (\overline{X}-\mu)^2 \cdot n\bigg] \\[8pt]
&= \operatorname{E}\bigg[ \frac 1 n \sum_{i=1}^n (X_i-\mu)^2 -
\frac 2 n (\overline{X}-\mu)\sum_{i=1}^n (X_i-\mu) +
(\overline{X}-\mu)^2 \bigg] \\[8pt]
\end{align}

换句话说，未修正的样本方差的期望值不等于总体方差 σ2，除非乘以归一化因子。而样本均值是总体均值 μ 的无偏估计量。

S2 是有偏的原因源于样本均值是 μ 的（OLS）估计量这个事实：\overline{X} 是令 \sum_{i=1}^n (X_i-\overline{X})^2 尽可能小的数。也就是说，当任何其他数代入这个求和中时，这个和只会增加。尤其是，在选取 \mu \ne \overline{X} 就会得出，

:
\frac{1}{n}\sum_{i=1}^n (X_i-\overline{X})^2
于是
:
\begin{align}
\operatorname{E}[S^2]
&= \operatorname{E}\bigg[ \frac{1}{n}\sum_{i=1}^n (X_i-\overline{X})^2 \bigg]

注意到，通常的样本方差定义为
:s^2=\frac{1}{n-1}\sum_{i=1}^n(X_i-\overline{X}\,)^2,

而这时总体方差的无偏估计量。可以由下式看出：
:\operatorname{E}\big[ (\overline{X}-\mu)^2 \big] = \frac{1}{n}\sigma^2 .
方差的有偏（未修正）与无偏估计之比称为。

参见
*點估計
*

• 一致估计量
• 估计理论

*

• 期望值
• 损失函数
• 中位數
• 决策论

*

参考文献

• [https://web.archive.org/web/20110310043642/http://www.universityofcalifornia.edu/senate/inmemoriam/georgewbrown.htm Brown, George W.] "On Small-Sample Estimation." The Annals of Mathematical Statistics, vol. 18, no. 4 (Dec., 1947), pp. 582–585. .
• Lehmann, E. L. "A General Concept of Unbiasedness" The Annals of Mathematical Statistics, vol. 22, no. 4 (Dec., 1951), pp. 587–592. .
• , 1961. "A Unified Theory of Estimation, I", The Annals of Mathematical Statistics, vol. 32, no. 1 (Mar., 1961), pp. 112–135.
• Van der Vaart, H. R., 1961. "Some Extensions of the Idea of Bias" The Annals of Mathematical Statistics, vol. 32, no. 2 (June 1961), pp. 436–447.
• Pfanzagl, Johann. 1994. Parametric Statistical Theory. Walter de Gruyter.
• .

*
*
*

外部链接
*