今天看了一些关于统计的数学知识。对其中一个关于贝氏统计理论的概念—抽样分布–很有困惑。
首先有一个母体,假设母体服从Q分布。从母体中抽取一个样本(包括N个个体),于是有了N个观察值,通过这N个观察值可以得到一个统计量,比如说是样本一阶原点矩A1。那么再抽取一个样本(包含M个个体),同样得到样本一阶原点矩A2。以此下去,可以得到一组统计量。那么这个统计量本身也是随机变量,也有一个分布函数P。根据贝氏统计理论,分布函数P叫抽样分布,并且和分布Q存在一定得对应关系。
现在问题来了,如果我抽样100PCS,我是把它作为一个样本,然后做点估计来预计Q分布的参数好呢?!还是把这100个分成5组,把每组当成一个样本,算出5个点估计值,然后求出抽样分布P中的参数,最后算出抽样分布P的数学期望来当做母体分布Q的参数好呢?!
可能很绕人,欢迎大家讨论!
另外,按照这个理论,可以把求出的P分布参数再当做随机变量,再推出R分布,这样不停的推下去,什么时候算个头啊?!
呵呵,与我遇到的问题相似。其实在现有的抽样计数标准里,对这个问题有答案。
两种方法都是可行的,样本是同一批,从结果上应该是一样的。
举个例子,加入母体是正态分布,求位置参数u的点估计。
方法一、用100个数求一阶原点矩,也就是求平均数t1。
方法二、先求抽样分布。根据贝氏理论,正太分布参数u的抽样分布也服从正太分布。
于是算出5组的平均数,再算出5个平均数的平均数t2。
显然在这个例子中,t1=t2。
但是如果改用二阶中心矩求形状参数,显然两种方法的结果会不同。