Κεφάλαιο 5. Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές

Transcript

1 Κεφάλαιο 5 Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Στο Κεφάλαιο 4 είδαµε ότι ένας τρόπος να αντιπαρέλθουµε το πρόβληµα της µη ύπαρξης ϐέλτιστου εκτιµητή µεταξύ όλων των εκτιµητών, µε κριτή- ϱιο το ΜΤΣ, είναι να περιορίσουµε την κλάση των εκτιµητών, απαιτώντας οι εκτιµητές να έχουν ειδική µορφή ή να ικανοποιούν κάποια «λογική» συν- ϑήκη. Εκτιµητές ειδικής µορφής µελετήσαµε στα Παραδείγµατα 4.1.3, 4.1.4, και µάλιστα καταλήξαµε ότι µεταξύ αυτών υπάρχει καλύτε- ϱος ως προς το ΜΤΣ. Αναφέρουµε εδώ ότι µε εκτιµητές ειδικής µορφής ϑα ασχοληθούµε πιο συστηµατικά στην Ενότητα 6.4. Από την άλλη πλευρά, µέσα από τη µελέτη του ΜΤΣ αναδύθηκε η συνθήκη-ιδιότητα της αµε- ϱοληψίας ενός εκτιµητή. Από τη σχέση 4.2 ή 4.3, ένας αµερόληπτος εκτιµητής έχει ΜΤΣ ίσο προς τη διασπορά του. Το σύνολο των αµερόληπτων εκτιµητών, αν δεν είναι κενό ή µονοσύνολο, όπως αποδείχθηκε στην Πρόταση 4.2.1, είναι µη αριθµήσιµο. Σε αυτήν την περίπτωση, µεταξύ όλων αυτών των αµερόληπτων εκτιµητών, καλύτερος ως προς το ΜΤΣ είναι εκείνος, αν υπάρχει, που έχει ελάχιστη διασπορά για κάθε θ Θ. Στο κεφάλαιο αυτό ϑα ασχοληθούµε µε την ύπαρξη ενός κάτω ϕράγµατος για τη διασπορά ενός αµερόληπτου εκτιµητή. Στη συνέχεια ϑα µελετήσου- µε πώς αυτό το κάτω ϕράγµα µπορεί να χρησιµοποιηθεί, προκειµένου να ϐρεθεί αµερόληπτος εκτιµητής ελάχιστης διασποράς και µάλιστα ίσης προς το κάτω ϕράγµα. Ενας τέτοιος εκτιµητής αναφέρεται ως αποδοτικός εκτιµητής efficiet estimator. Θα δείξουµε, συγκεκριµένα, ότι αποδοτι- 103

2 104Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές κοί εκτιµητές υπάρχουν µόνον, όταν η κατανοµή του δείγµατος ανήκει X σε µια ειδική οικογένεια κατανοµών, την εκθετική οικογένεια κατανοµών. Αυτό το κάτω ϕράγµα προκύπτει από µια διάσηµη πλέον ανισότητα που παρουσιάστηκε την ίδια περίπου χρονική περίοδο στα µέσα της δεκαετίας , όταν η µετάδοση και διακίνηση πληροφορίας γινόταν µε άλλους ϱυθµούς από τους σηµερινούς, ανεξάρτητα, από τους Frechét 1943, Rao 1945, Darmois 1945, Cramér 1946 και αναφέρεται στη ϐιβλιογραφία ως ανισότητα των Cramér - Rao η επικρατέστερη ονοµασία ή ανισότητα των Frechét - Cramér - Rao π.χ. Rohatgi 1976 ή Iformatio Iequality π.χ. Lehma ad Casella 1998, Bickel ad Doksum 1977 ή Cramér - Rao Iformatio Iequality DeGroot ad Schervish Επιπροσθέτως, το κάτω ϕράγµα διαδραµατίζει σηµαντικό ϱόλο στη µελέτη των ασυµπτωτικών ιδιοτήτων των εκτιµητών µέγιστης πιθανο- ϕάνειας όταν δηλαδή το µέγεθος του δείγµατος. Μεταγενέστερα, η ανισότητα έχει χρησιµοποιηθεί και ως «εργαλείο» για την απόδειξη αποδεκτικότητας admissibility και miimaxity εκτιµητών ϐλέπε Lehma ad Casella, 1998, Sectio 5.2. Τέλος, περιέχει, ως συνιστώσα της, µία ϑεµελιακή στατιστική «ποσότητα», τον αριθµό πληροφορίας του Fisher, κάτι που της προσδίδει ιδιαίτερο ενδιαφέρον και δικαιολογεί µία από τις ονοµασίες της. 5.1 Το κάτω ϕράγµα των Cramér Rao και ο αριθ- µός πληροφορίας του Fisher Υποθέτουµε ότι τα δεδοµένα = X 1,...,X έχουν πυκνότητα fx ;θ, θ Θ X R. Θα χρειαστούµε τις εξής συνθήκες που διατυπώνονται για συνεχή κατανοµή του X. Ανάλογα, για διακριτό X µε αριθµήσιµο σύνολο τιµών, τα ολοκληρώµατα που υπάρχουν στις συνθήκες αντικαθίστανται µε σειρές, ενώ για διακριτό µε πεπερασµένο σύνολο τιµών οι αντίστοιχες συνθήκες περιέχουν πεπερασµένα αθροίσµατα και ισχύουν, όπως ϑα X διαπιστώσουµε παρακάτω. Ι1. Το Θ είναι ένα ανοικτό σύνολο του R.

3 Το κάτω ϕράγµα των Cramér Rao και ο αριθµός πληροφορίας του Fisher 105 Ι2. Το σύνολο τιµών του X, S = { x = x 1,...,x R : fx ;θ > 0 } Ι3. Ι4. δεν εξαρτάται από το θ. Για κάθε x S και θ Θ, η παράγωγος θfx ;θ υπάρχει και είναι πεπερασµένη. S θ fx ;θdx = θ S S είναι µία στατιστική συνάρτηση. Tx θ fx ;θdx = θ S fx ;θdx = 0, θ Θ. Tx fx ;θdx, θ Θ, όπου TX Ι5. 0 < Iθ <, θ Θ, όπου Iθ = E θ [ θ lfx ;θ 2 ]. Θεώρηµα Ανισότητα των Cramér Rao Εστω ότι ισχύουν οι συν- ϑήκες Ι1 Ι5 και ας ϑέσουµε τθ = E θ TX και τ θ = θ E θtx. Τότε έχουµε τ Var θ TX θ 2, θ Θ. 5.1 Iθ Εάν επιπλέον η στατιστική συνάρτηση TX είναι αµερόληπτος εκτιµητής του gθ, τότε έχουµε Var θ TX g θ 2, θ Θ, 5.2 Iθ όπου g θ είναι η παράγωγος της συνάρτησης gθ. Απόδειξη. Θεωρούµε ότι το X έχει συνεχή κατανοµή. Η απόδειξη στη διακριτή περίπτωση είναι ανάλογη, αντικαθιστώντας τα ολοκληρώµατα µε αθροίσµατα ή σειρές. Η απόδειξη ϐασίζεται στην εφαρµογή της ανισότητας Cauchy-Schwarz ϐλέπε Πρόταση για τις τυχαίες µεταβλητές θ ;θ και. Αρχικά, ως προετοιµασία για την εφαρµογή της lfx TX ϑα δείξουµε τις σχέσεις E θ θ lfx ;θ = 0, θ Θ, 5.3 Var lfx θ θ ;θ = Iθ, θ Θ, 5.4 Cov θ θ = τ lfx ;θ,tx θ, θ Θ. 5.5

4 106Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Παρατηρούµε ότι, λόγω της Ι3, E lfx θ θ ;θ = θ lfx ;θ fx ;θdx = θ fx ;θdx S S = θ = S fx ;θdx θ 1 = 0, δηλαδή, η 5.3 ισχύει. Ακολούθως, από το γενικό τύπο VarY = EY 2 EY 2, ϑέτοντας Y = θ ;θ και χρησιµοποιώντας την 5.3 έχουµε lfx Var lfx [ θ θ ;θ = E lfx ] 2 θ θ ;θ = Iθ, δηλαδή η 5.4 ισχύει. Λόγω της 5.3 και της Ι4, προκύπτει ότι η συνδιασπορά των θ ;θ lfx και είναι TX Cov θ θ lfx ;θ,tx = E θ θ E θ θ lfx ;θ TX lfx ;θ E θ TX = E θ θ = θ lfx ;θ TX lfx ;θ Tx fx ;θdx S = Tx θ fx ;θdx = θ S S Tx fx ;θdx = θ E = τ θtx θ, δηλαδή, ισχύει και η 5.5. Εφαρµόζοντας τώρα την ανισότητα Cauchy Schwarz για τις θ ;θ lfx και και χρησιµοποιώντας την 5.4, από την 5.5, παίρνουµε TX τ θ 2 Varθ TX Iθ και εποµένως, λόγω της Ι5, Var θ TX τ θ 2, θ Θ. Iθ Για την ολοκλήρωση της απόδειξης του ϑεωρήµατος, παρατηρούµε ότι η 5.2 προκύπτει αµέσως από την 5.1 και τον ορισµό της αµεροληψίας, επειδή τθ = E θ TX = gθ, για κάθε θ Θ.

5 Το κάτω ϕράγµα των Cramér Rao και ο αριθµός πληροφορίας του Fisher 107 Παραθέτουµε µερικά διευκρινιστικά σχόλια για το ϱόλο των συνθηκών Ι1 Ι5, αλλά και για την καλύτερη κατανόησή τους. Η συνθήκη Ι1 διασφαλίζει ότι κάθε σηµείοθ Θ είναι εσωτερικό σηµείο και συνεπώς µπορεί να οριστεί η παράγωγος ως προς θ ως όριο. εν χρειάζεται πουθενά αλλού στην απόδειξη του Θεωρήµατος Για αυτό το λόγο, η Ι1 µπορεί να παραληφθεί και στις συνθήκες Ι2 Ι5, όπως και στο Θεώρηµα 5.1.1, το Θ να αντικατασταθεί µε το Θ o, το σύνολο των εσωτερικών σηµείων του Θ. Η συνθήκη ότι το σύνολο S = {x 1,x 2,...,x R : fx ;θ > 0} δεν εξαρτάται από το θ µέρος της συνθήκης Ι2 δεν ϕαίνεται ϱητά να χρησιµοποιείται στην απόδειξη του Θεωρήµατος 5.1.1, όµως αποτελεί εν γένει απαραίτητη προϋπόθεση προκειµένου να ικανοποιούνται οι Ι3 και Ι4. Προς διευκρίνιση αυτού, έστω = 1, δηλαδήx = X 1 και ότι η πυκνότητα της παρατήρησης X 1 είναι fx 1 ;θ = e x 1 θ, x 1 θ, θ Θ = R, οπότε S = [θ, που εξαρτάται από το θ. Τότε S θ fx 1;θdx 1 = θ e x1+θ dx 1 = 1, ενώ θ S fx 1;θdx 1 = θ 1 = 0, δηλαδή η Ι3 δεν ι- σχύει. Οσον αφορά τη συνθήκη Ι4, αυτή τετριµµένα ισχύει, ανtx 1 = 0 µε πιθανότητα 1 και τότε η 5.1 ισχύει ως ισότητα µε τιµή µηδέν. Θα δείξουµε ότι δεν υπάρχει άλλη στατιστική συνάρτηση TX 1 που ικανοποιεί την Ι4. Επειδή θ fx 1;θ = e x 1 θ, x 1 > θ, η Ι4 ισοδύναµα γράφεται θ Tx 1 e x 1 θ dx 1 = θ θ Tx 1 e x 1 θ dx 1 ή τθ = τ θ, θ R, όπου τθ = E θ TX 1. Η γενική λύση αυτής της διαφορικής εξίσωσης είναι τθ = ce θ, όπου c σταθερά, δηλαδή θ Tx 1 e x1 θ dx 1 = ce θ, θ R, οπότε θ Tx 1 e x 1 dx 1 = c, για κάθε θ R. Από τη ϑεωρία ολοκλήρωσης, η τελευταία σχέση συνεπάγεται TX 1 = 0 µε πι- ϑανότητα 1. Μία πειστική εναλλακτική απόδειξη µπορεί να δοθεί, αν ϑεωρήσουµε ότι η T είναι συνεχής συνάρτηση. Σε αυτήν την περίπτωση, παραγωγίζοντας ως προς θ τη σχέση θ Tx 1 e x 1 dx 1 = c παίρνουµε Tθe θ = 0, για κάθε θ R, δηλαδή Tθ = 0, για κά- ϑε θ R και άρα TX 1 = 0. Ανεξάρτητα από το παράδειγµα, έστω = 1, και ότι το σύνολο S είναι ένα διάστηµααθ,βθ, όπου αθ και βθ είναι παραγωγίσιµες συναρτήσεις. Τότε, από τον τύπο του Leibitz

6 108Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές bθ aθ hx,θdx = bθ aθ θ hx,θdx+b θhbθ,θ a θhaθ,θ, θ ϐλέπε Apostol 1969, σελ , προκύπτει ότι θ Tx 1 fx 1 ;θdx 1 = θ S = βθ αθ βθ αθ Tx 1 fx 1 ;θdx 1 Tx 1 θ fx 1;θdx 1 +β θtβθfβθ;θ α θtαθfαθ;θ. Παρατηρούµε λοιπόν ότι, για να ισχύουν η Ι3 που είναι η Ι4 µεtx 1 = 1 και η Ι4, πρέπει β θtβθfβθ;θ α θtαθfαθ;θ = 0, για κάθε θ Θ, το οποίο εξασφαλίζεται για τυχούσα στατιστική συνάρτηση TX 1, αν οι συναρτήσεις αθ και βθ είναι σταθερές ως προς θ, γιατί τότε α θ = β θ = 0, θ Θ. Με αθ = c 1 και βθ = c 2, όπου c 1 και c 2 σταθερές µη εξαρτώµενες από το θ ενδεχοµένως c 1 = ή/και c 2 = +, το S = c 1,c 2 όντως δεν εξαρτάται από το θ, και οι Ι3, Ι4 είναι δυνητικά σε ισχύ. Ακόµη και όταν ισχύει η Ι2, η επαλήθευση των συνθηκών Ι3 και Ι4 δεν είναι γενικά εύκολη και συνήθως ανάγεται στην επαλήθευση άλλων ικανών συνθηκών που επιτρέπουν την εναλλαγή στη σειρά εκτέλεσης παραγώγισης και ολοκλήρωσης στη συνεχή περίπτωση ή παραγώγισης και σειράς στη διακριτή. Τέτοιες ικανές συνθήκες µελετώνται σε ϐιβλία Ανάλυσης ή Θεωρίας Μέτρου π.χ. Apostol 1969, Billigsley Παραπέµπου- µε όµως τον αναγνώστη στο σύγγραµµα Πιθανοτήτων -Στατιστικής Casella ad Berger 2002, σελ που περιέχει µία ενδελεχή παρουσίαση αυτών των συνθηκών καθώς και σε αυτό του Rohatgi 1976, σελ. 12. Εξαίρεση αποτελεί η περίπτωση που τα δεδοµένα X έχουν διακριτή κατανοµή µε πεπερασµένο σύνολο τιµών S π.χ. τυχαίο δείγµα από διωνυµική κατανοµή. Τότε, στις συνθήκες Ι3 και Ι4, αντί ολοκληρωµάτων, έχου- µε πεπερασµένα αθροίσµατα και ϕυσικά ισχύουν οι Ι3 και Ι4, αφού η παράγωγος πεπερασµένου αθροίσµατος συναρτήσεων είναι ίση προς το άθροισµα των παραγώγων αυτών των συναρτήσεων. Για παράδειγµα, έστω X = X 1,...,X ένα τυχαίο δείγµα από την κατανοµή BeroulliB1,θ

7 Το κάτω ϕράγµα των Cramér Rao και ο αριθµός πληροφορίας του Fisher 109 µε πυκνότητα f 1 x;θ = θ x 1 θ 1 x, x = 0,1, θ Θ = 0,1. Τότε η πυκνότητα του X είναι fx ;θ = f 1x i ;θ = θ x i1 θ x i, x = x 1,...,x S = {0,1} {0,1}... {0,1}. Το σύνολο S προ- ϕανώς δεν εξαρτάται από το θ και είναι πεπερασµένο µε 2 στοιχεία. Η Ι3 έχει τη µορφή, λόγω διακριτού X, x S θ fx ;θ = θ fx ;θ, S x ενώ η Ι4 για τυχούσα στατιστική συνάρτηση TX γράφεται ως Tx θ fx ;θ = x S x S θ Tx fx ;θ = θ Tx fx ;θ. S x Σε κάθε µία από αυτές τις σχέσεις το αριστερό µέλος είναι πεπερασµένο άθροισµα παραγώγων συναρτήσεων, ενώ το δεξιό µέλος είναι η παράγωγος του αντίστοιχου πεπερασµένου αθροίσµατος συναρτήσεων, συνεπώς τα δύο µέλη είναι ίσα, το οποίο σηµαίνει ότι η Ι3 και η Ι4 αληθεύουν. Συµπληρωµατικά, αναφέρουµε ότι η συνθήκη Ι3 είναι ισοδύναµη µε την Ι 3. S θ = 0, θ Θ, fx ;θdx επειδή S fx ;θdx = 1 και εποµένως, θ S = 0, για κάθε fx ;θdx θ Θ. Για διακριτό, το ολοκλήρωµα αντικαθίσταται µε σειρά ή πεπε- X ϱασµένο άθροισµα και στην τελευταία περίπτωση η συνθήκη ισχύει όπως και η Ι3. Σε µεµονωµένες περιπτώσεις, η Ι 3 µπορεί να επαληθευτεί µε υπολογισµό του ολοκληρώµατος ή της αντίστοιχης σειράς. Για παράδειγµα, έστω X = X 1,...,X ένα τυχαίο δείγµα από την εκθετική κατανοµή E1/θ µε πυκνότητα f 1 x;θ = θe θx, x > 0, θ Θ = 0, και E θ X i = 1 θ. Επειδή fx ;θ = f 1 x i ;θ = θ e θ x i, xi > 0, i = 1,2,..., και θ fx ;θ = θ 1 e θ x i x i θ e θ x i, µε

8 110Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές S = 0,, έχουµε S θ fx ;θdx = θ 1 e θ x x i θ S idx e θ x S idx = x i = θ fx ;θdx S fx ;θdx θ E θ X i S = θ E θ X i = θ 1 θ = 0, για κάθε θ Θ, δηλαδή η Ι 3 ισχύει άρα και η Ι3. Η συνθήκη Ι4 εξαρτάται από τη στατιστική συνάρτησηtx. Στις εφαρ- µογές του Θεωρήµατος µας ενδιαφέρει να αληθεύει για οποιοδήποτε αµερόληπτο εκτιµητή του gθ, προκειµένου να αναζητήσουµε αποδοτικό εκτιµητή του, διαδικασία που µελετάµε στην επόµενη ενότητα. Πάντως, δοθείσης της TX, η Ι4 µπορεί να επαληθευτεί υπολογίζοντας χωριστά καθένα από τα δύο µέλη της. Για παράδειγµα, στην περίπτωση τυχαίου δείγµατος = X 1,...,X από την εκθετική κατανοµή E1/θ και για X = X i, παρόµοιοι υπολογισµοί µε τους παραπάνω δίνουν TX S 2 x i θ fx ;θdx = θ E θ X i E θ X i 2 2 = θ θ Var X i + E θ X i { 2 } 2 = θ θ θ 2 + = θ 2, ενώ θ S x i = fx ;θdx θ E θ X i = θ = θ θ 2 και εποµένως η Ι4 ισχύει. Οι Ι3 και Ι4 µπορούν επίσης να διατυπωθούν παριστάνοντας τα ολοκλη- ϱώµατα και αντίστοιχα, τις σειρές ή τα αθροίσµατα ως µέσες τιµές. Μάλιστα, µια τέτοια συνεκτική παράσταση ενοποιεί τη συνεχή και τη διακριτή

9 Το κάτω ϕράγµα των Cramér Rao και ο αριθµός πληροφορίας του Fisher 111 περίπτωση. Η Ι3 είναι ισοδύναµη µε την Ι 3, δηλαδή S ενώ E lfx θ θ ;θ = θ lfx ;θ = S fx ;θdx S συνέπεια, η Ι3 µπορεί να αντικατασταθεί µε την Ι6. E θ θ ;θ = 0, θ Θ που είναι η 5.3. lfx Επίσης, το αριστερό µέλος της Ι4 γράφεται Tx θ fx ;θdx = Tx θ lfx ;θ S S fx ;θdx = E θ TX lfx θ ;θ θ = 0, fx ;θdx θfx ;θdx. Κατά ενώ το δεξιό της µέλος είναι θ E. Εποµένως, η Ι4 µπορεί να αντικατασταθεί µε την θtx Ι7. E θ TX lfx θ ;θ = θ E, θ Θ. θtx Το Θεώρηµα ισχύει λοιπόν και υπό τις συνθήκες Ι1, Ι2, Ι5, Ι6, Ι7. Οµως, σε κάθε ανάγνωση και όχι σε πρώτη ούτε σε δεύτερη... οι Ι6 και Ι7 υπολείπονται σε διαισθητική ερµηνεία των Ι3 και Ι4, και για αυτό τον λόγο δεν χρησιµοποιήθηκαν εξ αρχής. Για ορισµένες όµως γνωστές κατανοµές, όπως η κανονική, η Poisso, η εκθετική και άλλες, µπορεί να δειχθεί ότι οι συνθήκες Ι3 και Ι4 ισχύουν και µάλιστα η Ι4 είναι αληθής για οποιαδήποτε στατιστική συνάρτηση TX. Αυτό προκύπτει από ένα γενικό αποτέλεσµα, την Πρόταση 5.2.2, που δίνεται στην επόµενη ενότητα. Η συνάρτηση Iθ, που εµφανίζεται στη συνθήκη Ι5, είναι εξ ορισµού µη αρνητική, ως µέση τιµή µη αρνητικής τυχαίας µεταβλητής. Η Ι5 απλώς εξασφαλίζει ότι το δεξιό µέλος των 5.1 και 5.2 είναι ένας καλώς ορισµένος πραγµατικός ϑετικός αριθµός δεν ϑα ήταν, ανiθ = 0 ήiθ =. Η επαλήθευσή της γίνεται υπολογίζοντας το Iθ. Οπως ϑα διαπιστώσου- µε στη συνέχεια, υπό κάποιες συνθήκες που συνήθως ισχύουν, υπάρχουν διάφοροι εναλλακτικοί τρόποι υπολογισµού του Iθ, πιο εύκολοι από τον ορισµό.

10 112Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Η ανισότητα 5.2 είναι ειδική περίπτωση της 5.1. Κάθε µία από τις 5.1 και 5.2 είναι γνωστή στη ϐιβλιογραφία ως ανισότητα των Cramér Rao ή Iformatio Iequality ή Cramér Rao Iformatio Iequality. Σηµειώνουµε επιπροσθέτως ότι το δεξιό µέλος της σχέσης 5.1 εξαρτάται εν γένει από τον εκτιµητήtx, λόγω της παραγώγουτ θ = θ E θtx, ενώ το δεξιό µέλος της 5.2, [g θ] 2 /Iθ, είναι ανεξάρτητο του συγκεκρι- µένου αµερόληπτου εκτιµητή TX. Συνεπώς, η 5.2 και όχι η 5.1 παρέχει ένα κάτω ϕράγµα ως προς TX για τη Var θ TX, το οποίο ανα- ϕέρεται ως κάτω ϕράγµα των Cramér Rao για τη διασπορά αµερόληπτων εκτιµητών του gθ και γράφεται ως Κ.Φ. C-R = g θ 2 /Iθ, θ Θ, 5.6 παραλείποντας στο συµβολισµό την εξάρτησή του από το θ. Παρατηρούµε ότι το Κ.Φ. C-R καθορίζεται πλήρως από τη συνάρτηση g, την τιµή της οποίας, gθ, επιθυµούµε να εκτιµήσουµε και από ένα «χαρακτηριστικό» της πυκνότητας fx ;θ του δείγµατος X, το Iθ. Το «χαρακτηριστικό» αυτό συνάρτηση του θ Θ ως µαθηµατικό αντικείµενο [ Iθ = E θ θ ;θ2] lfx ονοµάζεται αριθµός ή µέτρο πληροφορίας ή απλά πληροφορία του Fisher που περιέχεται στο δείγµα X για την άγνωστη παράµετρο θ. Ο συµβολισµός Iθ, όπως και των συνθηκών Ι1 Ι5, παραπέµπει στο Iformatio Πληροφορία, ενώ λόγω της ύπαρξης του Iθ στις ανισότητες 5.1 και 5.2 δικαιολογείται η εναλλακτική ονοµασία κάθε µίας ως Iformatio Iequality. Μία ενδιαφέρουσα ερµηνεία του Iθ που δίνουν οι Lehma ad Casella 1998, σελ. 115 είναι η ακόλουθη. Η παράγωγος θ lfx ;θ = θfx ;θ/fx ;θ παριστάνει το σχετικό ϱυθµό µεταβολής ως προς θ της πυκνότητας fx ;θ. Άρα Iθ είναι ο κατά µέσο όρο ως προς την κατανοµή του X τετραγωνικός σχετικός ϱυθµός µεταβολής της fx ;θ στο σηµείο θ. Συνεπώς, µία «µεγάλη» τιµή της συνάρτησης Iθ στο σηµείο θ = θ 0, υποδηλώνει ταχεία µεταβολή ως προς θ της πυκνότητας fx ;θ

11 Το κάτω ϕράγµα των Cramér Rao και ο αριθµός πληροφορίας του Fisher 113 σε µια µικρή περιοχή του θ 0, γεγονός που καθιστά πιο εύκολο να ξεχωρίσουµε το θ 0 από γειτονικά του σηµεία και εποµένως να εκτιµήσουµε το θ µε µεγαλύτερη ακρίβεια αν η τιµή του είναι θ 0. Εν κατακλείδι, για κάθε θ Θ, ο αριθµός Iθ παρέχει πληροφορία για την ακρίβεια µε την οποία µπορεί να εκτιµηθεί το θ από το δείγµα, µε «µεγάλες» τιµές του Iθ να X είναι επιθυµητές. Σε αυτό το σηµείο προσθέτουµε ότι για gθ = θ, από την 5.2 παίρνουµε Var θ 1/Iθ = Κ.Φ. C-R, για κάθε θ Θ και για κάθε TX αµερόληπτο εκτιµητή του θ, που ικανοποιεί την Ι4. Αν λοιπόν υ- TX πάρχει αµερόληπτος εκτιµητήςt 0, τέτοιος ώστεvar θ T 0 = 1/Iθ, θ X X Θ, τότε επιβεβαιώνεται η παραπάνω ερµηνεία του Iθ, αφού χρησιµοποιώντας τον T 0, για να εκτιµήσουµε το θ µία µεγάλη τιµή της X πληροφορίας Iθ συνεπάγεται µικρή διασπορά Var θ T 0 και συνεπώς X ακριβή εκτίµηση τουθ. Με τη µελέτη εκτιµητών όπως οt 0 που ϑα τον X ονοµάσουµε αποδοτικό εκτιµητή ϑα ασχοληθούµε στην επόµενη ενότητα. Η έννοια της πληροφορίας εισήχθηκε από τον Edgeworth 1908, όµως ο αριθµός πληροφορίας Iθ µελετήθηκε συστηµατικά από τον Fisher 1922, 1925, 1934, και για αυτό, τιµητικά, ϕέρει το όνοµα του. Η έννοια του αριθµού πληροφορίας µπορεί να γενικευθεί, έτσι ώστε να αναφέρεται σε οποιαδήποτε τυχαία µεταβλητή, στατιστική συνάρτηση ή τυχαίο διάνυσµα Y και όχι µόνον στο δείγµα. Αν η πυκνότητα του Y είναι hy;θ, θ X Θ, τότε ο αριθµός ή µέτρο πληροφορίας ή απλά πληροφορία του Fisher που περιέχεται στο Y για την άγνωστη παράµετρο θ ορίζεται από τη σχέση [ ] I Y θ = E θ θ lhy;θ 2, θ Θ. 5.7 Για παράδειγµα, = X 1,...,X και η πυκνότητα της παρατήρησης X i ανx είναι f i x i ;θ τότε [ I Xi θ = E θ θ lf ix i ;θ ] 2, θ Θ είναι η πληροφορία του Fisher που περιέχεται στην X i για το θ. Η επόµενη πρόταση παρέχει εναλλακτικούς τύπους και ιδιότητες του Iθ, που, πέραν από το ϑεωρητικό ενδιαφέρον που παρουσιάζουν, χρησι-

12 114Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές µεύουν επίσης και στον υπολογισµό του. Οι συνθήκες της πρότασης διατυπώνονται για συνεχή κατανοµή του X. Οπως και στο Θεώρηµα 5.1.1, στην περίπτωση διακριτής κατανοµής του X µε αριθµήσιµο σύνολο τι- µών απαιτούνται αντίστοιχες συνθήκες που προκύπτουν αντικαθιστώντας τα ολοκληρώµατα µε σειρές. Τέλος, για διακριτή κατανοµή του X µε πεπερασµένο σύνολο τιµών οι αντίστοιχες συνθήκες, που προκύπτουν α- ντικαθιστώντας τα ολοκληρώµατα µε πεπερασµένα αθροίσµατα, ισχύουν. Πρόταση διαφορετικές εκφράσεις του Iθ i Εστω ότι ισχύουν οι συνθήκες Ι1, Ι2, Ι3. Τότε έχουµε, Iθ = Var θ θ lfx ;θ ii Εστω ότι ισχύουν οι συνθήκες Ι1, Ι2 και, θ Θ. 5.8 Ι8 Για κάθε x S = { x = x 1,...,x R : fx ;θ > 0 } και θ Θ, η δεύτερη παράγωγος 2 lfx ;θ θ 2 υπάρχει, είναι πεπερασµένη και 2 θ = lfx ;θdx 2 2 θ = 0, θ Θ. lfx ;θdx 2 S Τότε έχουµε, Iθ = E 2 θ θ ;θ lfx 2 S, θ Θ. 5.9 iii Εστω ότι το δείγµα X = X 1,...,X αποτελείται από ανεξάρτητες παρατηρήσεις X i µε πυκνότητες f i x i ;θ, i = 1,...,, αντίστοιχα. Εστω ακόµη ότι ισχύουν οι συνθήκες Ι1 και οι αντίστοιχες συνθήκες των Ι2 και Ι3 για κάθε µία από τις X i, i = 1,...,, δηλαδή στις Ι2 και Ι3, η fx ;θ αντικαθίσταται από την f i x i ;θ. Τότε έχουµε, Iθ = I i θ, θ Θ προσθετική ιδιότητα του αριθµού πληροφορίας του Fisher, όπου I i θ = E θ [ θ lf ix i ;θ 2 ] = Var θ θ lf ix i ;θ, θ Θ είναι ο αριθµός πληροφορίας του Fisher που περιέχεται στην παρατήρηση X i, i = 1,...,, για την παράµετρο θ.

13 Το κάτω ϕράγµα των Cramér Rao και ο αριθµός πληροφορίας του Fisher 115 iv Εάν επιπλέον από τις υποθέσεις της iii, οι παρατηρήσεις X i, i = 1,..., έχουν κοινή κατανοµή, τότε Iθ = I 1 θ, θ Θ v Εστω ότι ισχύουν οι συνθήκες Ι1 και οι αντίστοιχες συνθήκες των Ι2 και Ι8 για κάθε µία από τις X i, i = 1,...,. Τότε έχουµε, I i θ = E 2 θ lf θ 2 i X i ;θ, θ Θ Απόδειξη. Υποθέτουµε ότι το X έχει συνεχή κατανοµή. Η απόδειξη στη διακριτή περίπτωση είναι ανάλογη. i Εχει δειχθεί κατά την απόδειξη του Θεωρήµατος σχέση 5.4. ii Εχουµε, E θ 2 θ 2 lfx ;θ = E θ = E θ θ { θ fx ;θ fx ;θ 2 θ 2 fx ;θ fx ;θ f 2 X ;θ fx } 2 θ ;θ = E 2 θ ;θ θ θ ;θ E fx ;θ/fx 2 θ fx ;θ fx = = S S 2 2 fx ;θ θ 2 E θ fx ;θ θ fx ;θdx lfx 2 ;θ 2 θ Iθ = fx ;θdx 2 2 θ Iθ fx ;θdx 2 = 2 1 Iθ = Iθ. θ 2 Εποµένως, Iθ = E 2 θ θ ;θ lfx 2. iii Η πρώτη ισότητα στην 5.11 είναι ο ορισµός του I i θ. Η απόδειξη ότι I i θ = Var θ θ lf ix i ;θ είναι πανοµοιότυπη µε την απόδειξη της 5.4, επειδή E θ θ lf ix i ;θ = 0 που αποδεικνύεται όπως η 5.3. Λόγω ανεξαρτησίας των X i, i = 1,...,, fx ;θ = f i x i ;θ, οπότε S

14 116Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές θ lfx ;θ = θ lf ix i ;θ και εποµένως έχουµε [ Iθ = E lfx ] 2 2 θ θ ;θ = E θ θ lf ix i ;θ = E θ θ lf ix i ;θ 2 + θ lf ix i ;θ θ lf jx j ;θ = [ E θ θ lf ix i ;θ ] 2 + i j i j E θ θ lf ix i ;θ E θ θ lf jx j ;θ = I i θ. Η προτελευταία ισότητα ισχύει λόγω της ανεξαρτησίας των X i και X j, i j, και η τελευταία επειδή E θ θ lf ix i ;θ = 0. iv Επειδή οι X i, i = 1,...,, έχουν την ίδια κατανοµή, είναι f i x i ;θ = f 1 x i ;θ και άρα [ I i θ = E θ θ lf 1X i ;θ ] Επιπλέον, οι τυχαίες µεταβλητές θ lf 1X i ;θ 2, i = 1,...,, έχουν την ίδια κατανοµή και συνεπώς την ίδια µέση τιµή, δηλαδή E θ [ θ lf 1X i ;θ 2 ] = E θ [ θ lf 1X 1 ;θ 2 ], που λόγω της 5.14 γράφεται I i θ = I 1 θ, i = 1,...,. Εξ υποθέσεως, οι X i είναι ανεξάρτητες, οπότε από την 5.10 παίρνουµε Iθ = I i θ = I 1 θ = I 1 θ. v Προκύπτει εντελώς ανάλογα, όπως η 5.9.

15 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 117 Η προσθετική ιδιότητα 5.10 έχει την προφανή ερµηνεία ότι στην πε- ϱίπτωση που το δείγµα X = X 1,...,X αποτελείται από ανεξάρτητες παρατηρήσεις, η συνολική πληροφορία για το θ είναι το αθροιστικό α- ποτέλεσµα των πληροφοριών που εµπεριέχονται στις X i, i = 1,...,. εν υπάρχει δηλαδή «επικάλυψη» πληροφορίας µεταξύ δύο διαφορετικών πα- ϱατηρήσεων. Επιπλέον, η 5.10 παρέχει ένα εναλλακτικό και χρήσιµο τρόπο υπολογισµού του Iθ : είναι σχετικά πιο εύκολο να υπολογιστεί το I i θ χρησιµοποιώντας τη µονοµεταβλητή περιθώρια πυκνότητα της X i, f i x i ;θ, µέσω της 5.11 ή της 5.13, και µετά να εφαρµοστεί η 5.10, παρά να χρησιµοποιηθεί µία από τις 5.8 ή 5.9 που απαιτούν τον υπολογισµό της πολυµεταβλητής πυκνότητας του = X 1,...,X, δείγµατοςx fx ;θ. Η 5.11 συνεπάγεται ότι Iθ καθώς, δηλαδή «άπειρες» παρατηρήσεις δηµιουργούν «άπειρη» πληροφορία, κάτι που είναι διαισθητικά αναµενόµενο. Κλείνοντας την ενότητα, αναφέρουµε ότι έχουν οριστεί και µελετηθεί α- πό πολλούς ερευνητές αρκετά άλλα µέτρα στατιστικής πληροφορίας, εκτός του αριθµού πληροφορίας του Fisher. Κοινός τόπος αυτών των µέτρων είναι ότι ικανοποιούν ορισµένες ϐασικές ιδιότητες, όπως, π.χ. η προσθετική ιδιότητα. Η περιοχή της Στατιστικής που ασχολείται µε τη ϑεωρία και τις εφαρµογές των µέτρων στατιστικής πληροφορίας είναι γνωστή µε την ονο- µασία Στατιστική Θεωρία Πληροφοριών Statistical Iformatio Theory, ϐλέπε για παράδειγµα Kullback Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές Στην ενότητα αυτή ϑα µελετήσουµε µία τεχνική για την εύρεση αµερόληπτου εκτιµητή ελάχιστης διασποράς, που ϐασίζεται στην ανισότητα των Cramér Rao. Ορίζουµε πρώτα την µονοπαραµετρική εκθετική οικογένεια κατανοµών. Ορισµός Η οικογένεια κατανοµών τουx = X 1,...,X,{fx ;θ:

16 118Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές θ Θ}, Θ R, ανήκει στη Μονοπαραµετρική Εκθετική Οικογένεια Κατανοµών Μ.Ε.Ο.Κ. εάν: α Το σύνολο τιµών του, S = X { = x 1,...,x R x : fx ;θ > 0 } δεν εξαρτάται από το θ. ϐ Η πυκνότητα fx ;θ έχει τη µορφή fx ;θ = e Aθ+Bx +CθDx, S, θ Θ. x { Αντί της ορολογίας η οικογένεια fx ;θ: θ Θ } ανήκει στην Μ.Ε.Ο.Κ., ϑα χρησιµοποιούµε, αδιακρίτως, και την έκφραση η οικογένεια {fx ;θ : θ Θ} είναι µία Μ.Ε.Ο.Κ.. Η ορολογία «µονοπαραµετρική» δικαιολογείται από ότι το θ είναι πραγµατική παράµετρος και όχι π.χ. Ϲεύγος πραγµατικών παραµέτρων, θ = θ 1,θ 2. Σηµειώνουµε επίσης ότι οι συναρτήσεις Aθ, Bx, Cθ και Dx δεν ορίζονται µονοσήµαντα, αφού για παράδειγµα fx ;θ = e A 1θ+B 1 x +C 1 θd 1 x µε A1 θ = Aθ 1, B 1 x = Bx + 1, C 1 θ = Cθ/2, D 1 x = 2Dx. Από τον ορισµό προκύπτει αµέσως η επόµενη πρόταση. Πρόταση Αν X = X 1,...,X είναι ένα τυχαίο δείγµα και η κοινή οικογένεια κατανοµών των X i είναι µία Μ.Ε.Ο.Κ. µε πυκνότητα f 1 x;θ = e Aθ+Bx+CθDx, x S 1,θ Θ, { fx ;θ: θ Θ }, τότε η οικογένεια κατανοµών του X = X 1,...,X, είναι επίσης µία Μ.Ε.Ο.Κ., διατηρώντας µάλιστα την ίδια συνάρτηση Cθ, θ Θ. Απόδειξη. Εχουµε, fx ;θ = fx 1,...,x ;θ = f 1 x i ;θ = e Aθ+ Bx i +Cθ Dx i = e A θ+b x +CθD x, x = x 1,...,x S = S 1 S 1, όπου A θ = Aθ, B x = Bx i, D x = Dx i.

17 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 119 Μερικά παραδείγµατα Μ.Ε.Ο.Κ. είναι τα ακόλουθα. Σε όλα ϑεωρούµε ότι το X = X 1,...,X είναι ένα τυχαίο δείγµα από µία κατανοµή µε πυκνότητα f 1 x;θ, οπότε η απόδειξη για την οικογένεια πυκνοτήτων {fx ;θ : θ Θ} ανάγεται στην αντίστοιχη για την οικογένεια {f 1 x;θ : θ Θ}. Παράδειγµα Η οικογένεια των κανονικών κατανοµών Nθ, 1, θ Θ = R είναι µία Μ.Ε.Ο.Κ. γιατί S 1 = R και f 1 x;θ = 1 2π e 1 2 x θ2 = e 1 2 θ2 1 2 l2π 1 2 x2 +θx, = e Aθ+Bx+CθDx, x R, θ R, µε Aθ = 1 2 θ2 1 2 l2π, Bx = 1 2 x2, cθ = θ, Dx = x. Παράδειγµα Η οικογένεια των κανονικών κατανοµών N0,θ 2, θ Θ = 0, είναι µία Μ.Ε.Ο.Κ. γιατί S 1 = R και f 1 x;θ = 1 µε Aθ = lθ 1 2 θ x 2 2π e 2θ 2 = e lθ 1 2 l2π 1 2θ 2x2, = e Aθ+Bx+CθDx, x R, θ > 0, l2π, Bx = 0, cθ = 1 2θ 2, Dx = x 2. Παράδειγµα Η οικογένεια των κατανοµών Poisso, Pθ, θ Θ = 0, είναι µία Μ.Ε.Ο.Κ. γιατί S 1 = {0,1,2,...} και f 1 x;θ = e θθx x! = e θ lx!+lθ x, = e Aθ+Bx+CθDx, x S 1, θ > 0, µε Aθ = θ, Bx = lx!, cθ = lθ, Dx = x. Παράδειγµα Η οικογένεια των διωνυµικών κατανοµών B, θ, θ Θ = 0,1 είναι µία Μ.Ε.Ο.Κ. γιατί S 1 = {0,1,...,} και f 1 x;θ = x θ x 1 θ x = θ x1 θ x 1 θ = e l1 θ+l x+l θ 1 θ x, = e Aθ+Bx+CθDx, x S 1, θ 0,1, µε Aθ = l1 θ, Bx = l x, cθ = l θ 1 θ, Dx = x.

18 120Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Παράδειγµα Η οικογένεια των οµοιόµορφων κατανοµών U0, θ, θ Θ = 0, δεν είναι µία Μ.Ε.Ο.Κ. γιατί 1 θ f 1 x;θ =, 0 < x < θ, 0, αλλού, οπότε S 1 = 0,θ το οποίο εξαρτάται από το θ. Παράδειγµα Η οικογένεια των κατανοµών Cauchy µε πυκνότητα f 1 x;θ = 1 π 1+x θ 2, < x <, θ Θ = R, δεν είναι µία Μ.Ε.Ο.Κ., γιατί δεν µπορεί να γραφεί στη µορφή f 1 x;θ = e Aθ+Bx+CθDx. Η επόµενη πρόταση καθιστά πολύ εύκολη την επαλήθευση των συνθηκών Ι2, Ι3 και Ι4 για µία Μ.Ε.Ο.Κ. Πρόταση Εάν η οικογένεια κατανοµών τουx, { fx ;θ: θ Θ R } µεθανοικτό σύνολο, είναι µία Μ.Ε.Ο.Κ. µεfx ;θ = e Aθ+Bx +CθDx, x S και η συνάρτηση Cθ έχει συνεχή και µη µηδενική παράγωγο στο Θ, τότε οι συνθήκες Ι2, Ι3 και Ι4 ισχύουν και η Ι4 ισχύει για κάθε στατιστική συνάρτηση TX. Απόδειξη. Παραλείπεται, επειδή υπερβαίνει το επίπεδο αυτών των σηµειώσεων. Παραπέµπουµε, όµως, τον αναγνώστη στους Bickel ad Doksum 1977, σελ. 130 και που παρέχουν υποδείξεις για την απόδειξη. Στην περίπτωση που τα δεδοµένα X = X 1,...,X αποτελούν ένα τυχαίο δείγµα από µία Μ.Ε.Ο.Κ., αντί της Πρότασης 5.2.2, µπορεί να χρησιµοποιηθεί και η επόµενη πρόταση για την επαλήθευση των Ι2, Ι3 και Ι4. Πρόταση Εάν X = X 1,...,X είναι ένα τυχαίο δείγµα από µία Μ.Ε.Ο.Κ. f 1 x 1 ;θ = e Aθ+Bx 1+CθDx 1, x 1 S 1, θ Θ R

19 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 121 µε Θ ανοικτό σύνολο και η συνάρτηση Cθ έχει συνεχή και µη µηδενική παράγωγο στο Θ, τότε ισχύουν οι συνθήκες Ι2, Ι3 και Ι4 για κάθε στατιστική συνάρτηση TX για την οικογένεια κατανοµών { fx ;θ: θ Θ } του X. Απόδειξη. Άµεση από τις Προτάσεις και Παράδειγµα Για την Μ.Ε.Ο.Κ., που δόθηκε στο Παράδειγµα 5.2.2, έχουµε Θ = 0,, Cθ = 1 2θ 2, C θ = 1 θ 3. Συνεπώς, ϐάσει της Πρότασης οι συνθήκες Ι2, Ι3 και Ι4 ισχύουν. Η ανισότητα 5.2 των Cramér Rao µπορεί να χρησιµοποιηθεί για να αποδειχθεί ότι ένας αµερόληπτος εκτιµητής έχει ελάχιστη διασπορά ως εξής. Εάν ισχύουν οι συνθήκες Ι1 Ι5 και η Ι4 ισχύει για οποιοδήποτε αµερόληπτο εκτιµητή του gθ, τότε από την 5.2 και την 5.6 παίρνουµε Var θ TX g θ 2 Iθ = Κ.Φ. C-R για κάθε θ Θ και για κάθε αµερόληπτο εκτιµητή TX. Εάν εν συνεχεία επιτύχουµε να ϐρούµε έναν αµερόληπτο εκτιµητή T X του ο- ποίου η διασπορά είναι ίση προς το κάτω ϕράγµα g θ 2 /Iθ, δηλαδή Var θ T X = Κ.Φ. C-R για κάθε θ Θ, τότε ισχύει Var θ TX Var θ T X, για κάθε θ Θ, δηλαδή ο T X έχει την ελάχιστη δυνατή διασπορά και άρα το ελάχιστο δυνατό ΜΤΣ µεταξύ όλων των αµερόληπτων εκτιµητών. Για αυτόν τον εκτιµητή δίνουµε τον εξής ορισµό. Ορισµός Ο εκτιµητής T X του gθ ονοµάζεται αποδοτικός, εάν ισχύουν οι συνθήκες Ι1 Ι5 και α είναι αµερόληπτος, ϐ Var θ T X = Κ.Φ. C R = g θ 2 /Iθ, θ Θ. Παράδειγµα εκθετική κατανοµή - αποδοτικός εκτιµητής της µέσης τιµής Εστω X = X 1,...,X ένα τυχαίο δείγµα από την εκθετική κατανοµή f 1 x 1 ;θ = 1 θ e x 1 θ, x 1 > 0, θ Θ = 0,.

20 122Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Υπενθυµίζουµε ότι στο εισαγωγικό Παράδειγµα 2.1 είχαµε χρησιµοποιήσει την εκθετική κατανοµή ως µοντέλο του χρόνου Ϲωής ηλεκτρικών λαµπτήρων και είχαµε αναδείξει τον δειγµατικό µέσο X = 1 Xi ως ένα λογικό εκτιµητή του θ. Θα αναζητήσουµε αποδοτικό εκτιµητή του θ, δηλαδή ε- δώgθ = θ. Υπενθυµίζουµε ακόµη ότιe θ X 1 = θ καιvar θ X 1 = θ 2. Επαληθεύουµε πρώτα τις συνθήκες Ι1 Ι5. Επειδή Θ = 0, η Ι1 προφανώς ισχύει. Για τις Ι2, Ι3, Ι4 παρατηρούµε ότι η οικογένεια {f 1 x 1 ;θ : θ Θ} είναι µία Μ.Ε.Ο.Κ. µε Cθ = 1 θ και παράγωγο C θ = 1 θ 2 0 και συνεχή για κάθε θ Θ. Άρα, οι Ι2, Ι3, Ι4 ισχύουν και η Ι4 είναι αληθής για κάθε στατιστική συνάρτηση TX ϐάσει της Πρότασης Για την Ι5 παρατηρούµε ότι Συνεπώς, από τις 5.12 και 5.11, θ lf 1x 1 ;θ = 1 θ + x 1 θ 2. Iθ = I 1 θ = Var θ θ lf 1X 1 ;θ = Var θ 1 θ + X 1 θ 2 = θ 4Var θx 1 = θ 4θ2 = θ 2, οπότε η Ι5 προφανώς ισχύει. Αφού λοιπόν ισχύουν οι συνθήκες Ι1 Ι5 και gθ = θ, από την 5.2 έχουµε Var θ TX 1 Iθ = θ2, θ Θ για κάθε αµερόληπτο εκτιµητή TX του θ, ενώ από την 5.6 το κάτω ϕράγµα των Cramér-Rao είναι Κ.Φ. C-R = 1 Iθ = θ2. Παίρνοντας T = X 1 Xi = X συµπεραίνουµε ότι ο T = X X είναι αποδοτι- κός εκτιµητής του θ, αφού ο X είναι αµερόληπτος µε Var θ X = θ2 = Κ.Φ. C-R ϐλέπε Πρόταση Οι επόµενες δύο προτάσεις χαρακτηρίζουν τις οικογένειες κατανοµών {fx ;θ : θ Θ R} και εκείνες τις συναρτήσεις g για τις οποίες υπάρχουν αποδοτικοί εκτιµητές του gθ, παρέχοντας συγχρόνως τους εκτιµητές αυτούς.

21 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 123 Πρόταση Ικανή συνθήκη για αποδοτικότητα Εστω ότι η οικογένεια κατανοµών του, {fx ;θ : θ Θ}, ανήκει στη Μ.Ε.Ο.Κ., δηλαδή X fx ;θ = e Aθ+Bx +Cθ Dx, S, x και ικανοποιούνται οι συνθήκες: α Το Θ είναι ένα ανοικτό σύνολο του R. ϐ Η παράγωγοςc θ υπάρχει, είναι συνεχής και µη µηδενική, για κάθε θ Θ. γ 0 < Iθ <, θ Θ. Θέτουµε gθ = E θ. Τότε ισχύουν τα εξής: DX i είναι αποδοτικός εκτιµητής του gθ. DX ii + β είναι αποδοτικός εκτιµητής του αgθ + β, όπου α 0 αdx και β αυθαίρετες σταθερές µη εξαρτώµενες από το θ. Απόδειξη. i Από τις συνθήκες και την Πρόταση προκύπτει ότι ικανοποιούνται οι Ι1 Ι5 της ανισότητας των Cramér Rao και εποµένως Var θ TX g θ 2, θ Θ, Iθ για κάθε αµερόληπτο εκτιµητή TX του gθ. Από τον Ορισµό 5.2.2, ο DX ϑα είναι αποδοτικός εκτιµητής εάν E θ = gθ, θ Θ, 5.15 DX g Var θ = DX θ 2, θ Θ Iθ Η 5.15 είναι ο ορισµός του gθ. Για την 5.16 παρατηρούµε τα εξής. Κατ αρχάς lfx ;θ = Aθ+Bx +Cθ Dx, S, θ Θ x

22 124Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές και θ lfx ;θ = A θ+c θ Dx, x S, θ Θ. Η τελευταία σχέση δηλώνει ότι οι τυχαίες µεταβλητές θ ;θ και lfx συνδέονται γραµµικά µεταξύ τους µε πιθανότητα 1, για κάθε θ DX Θ και εποµένως η ανισότητα Cauchy Schwarz ισχύει ως ισότητα ϐλέπε Πρόταση Συνεπώς έχουµε, Cov 2 θ θ lfx ;θ,dx = Var θ θ lfx ;θ Var θ DX, θ Θ Οµως, από την 5.5 µε TX = DX και την 5.15 συµπεραίνουµε ότι ενώ από την 5.8 Cov θ θ = g lfx ;θ,dx θ, θ Θ, Var θ θ lfx ;θ = Iθ, θ Θ. Αντικατάσταση στην 5.17 δίνει g θ 2 = Iθ Varθ DX, για κάθε θ Θ, που είναι η ii Θα ανάγουµε την απόδειξη στο πρώτο µέρος που έχει ήδη δειχθεί. Πράγµατι, ϑέτοντας D 1 X = αdx + β, λύνοντας ως προς DX και αντικαθιστώντας στον τύπο της fx ;θ παίρνουµε fx ;θ = e A 1θ+Bx +C 1 θ D 1 x, όπου, A 1 θ = Aθ β α Cθ, C 1θ = Cθ α. Προφανώς, για αυτήν τη νέα έκφραση της πυκνότητας fx ;θ ικανοποιούνται οι συνθήκες α, ϐ και γ του πρώτου µέρους και εποµένως ο D 1 X είναι αποδοτικός εκτιµητής του g 1 θ = E θ D 1 X = αe θ DX +β. Η επόµενη πρόταση σε συνδυασµό µε την Παρατήρηση που α- κολουθεί είναι, ουσιαστικά, η αντίστροφη της Πρότασης

23 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 125 Πρόταση Αναγκαία συνθήκη για αποδοτικότητα Εστω ότι ισχύουν οι συνθήκες Ι1 Ι5, gθ δεν είναι σταθερά ως συνάρτηση του θ και TX είναι αποδοτικός εκτιµητής του gθ. Τότε, η οικογένεια κατανοµών του X, {fx ;θ : θ Θ}, µε πιθανότητα 1, ικανοποιεί τη σχέση θ lfx ;θ = c 1θTX +c 2 θ, θ Θ, 5.18 όπου c 1 θ και c 2 θ είναι συναρτήσεις µε c 1 θ 0 για κάθε θ Θ ή ισοδύναµα θ lfx ;θ = c 1θTX gθ, θ Θ Εάν, επιπλέον, g 1 θ δεν είναι σταθερά ως προς θ και T 1 X είναι αποδοτικός εκτιµητής του g 1 θ, τότε υπάρχουν σταθερές a 0 και β µη εξαρτώµενες από το θ, τέτοιες ώστε T 1 X = atx +β και g 1 θ = agθ+β. Απόδειξη. Αποδοτικότητα του TX σηµαίνει E θ = gθ, θ Θ, 5.20 TX g θ 2 Var θ TX = Οµως, από την 5.8 έχουµε Iθ, θ Θ Var θ θ lfx ;θ = Iθ, θ Θ, 5.22 ενώ από τις 5.5 και 5.20 Cov θ θ = g lfx ;θ,tx θ, θ Θ Άρα η 5.21 γράφεται Covθ 2 θ lfx ;θ,tx = Var θ θ lfx ;θ Var θ TX, θ Θ. 5.24

24 126Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Η τελευταία σχέση δηλώνει ότι η ανισότητα Cauchy Schwarz για τις τυχαίες µεταβλητές θ ;θ και ισχύει ως ισότητα ϐλέπε Πρόταση lfx TX Επιπλέον, καµία από τις θ ;θ και δεν είναι σταθε- lfx TX ϱά ως συνάρτηση του X, η µεν πρώτη επειδή Var θ θ lfx ;θ > 0 λόγω της 5.22 και της Ι5, ενώ, αν TX = c, σταθερά µη εξαρτώµενη από το θ, λόγω αµεροληψίας E θ TX = gθ ή c = gθ για κάθε θ Θ που αποκλείεται εξ υποθέσεως. Εποµένως, η Πρόταση συνεπάγεται ότι θ ;θ και είναι γραµµικά εξαρτηµένες, δηλαδή για κάθε θ Θ lfx TX υπάρχουν σταθερές c 1 θ 0 και c 2 θ εξαρτώµενες εν γένει από το θ, έτσι ώστε να ισχύει η σχέση P lfx θ θ ;θ = c +c 2 θ = θTX Η 5.6 σηµαίνει ότι, µε πιθανότητα 1, ισχύει η Επιπλέον, από τις 5.3 και 5.18 προκύπτει ότι 0 = E lfx ] θ θ ;θ = E θ [c 1 +c 2 θ = c 1 θ gθ+c 2 θ, θtx δηλαδή gθ = c 2θ c 1 θ, οπότε αντικαθιστώνταςc 2 θ = c 1 θgθ στην 5.18 προκύπτει η Αν τώρα T 1 X είναι ένας αποδοτικός εκτιµητής του g 1 θ, τότε αντίστοιχα µε την 5.18, µε πιθανότητα 1, ισχύει θ lfx ;θ = c 3θT 1 X +c 4 θ Από τις 5.18 και 5.26 συµπεραίνουµε ότι µε πιθανότητα 1 δηλαδή c 1 θtx +c 2 θ = c 3 θt 1 X +c 4 θ, T 1 X = c 1θ c 3 θ TX + c 2θ c 4 θ c 3 θ. Επειδή, όµως,t 1 X είναι στατιστική συνάρτηση, ο συντελεστής τουtx και ο σταθερός όρος δεν πρέπει να εξαρτώνται από το θ, άρα T 1 X = atx + β, όπου a 0 και β σταθερές. Τέλος, g 1 θ = E θ T 1 X = ae θ TX +β.

25 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 127 Παρατήρηση Η 5.18 συνεπάγεται ότι η οικογένεια κατανοµών {fx ;θ : θ Θ} ανήκει στη Μ.Ε.Ο.Κ.. Μία αυστηρή απόδειξη δίνεται από τους Wijsma 1973, Joshi 1976 και Müller-Fuk, Pukelsheim ad Wittig Σε αδρές γραµµές η απόδειξη έχει ως ε- ξής. Από την 5.18 ουσιαστικά για κάθε στο σύνολο τιµών του x X παίρνουµε θ lfx ;θ = c 1θTx + c 2 θ και συνεπώς lfx ;θ = Tx c 1 θdθ+ c 2 θdθ+bx. ΘέτονταςAθ = c 1 θdθ καιcθ = c2 θdθ έχουµε fx ;θ = e Aθ+Bx +CθTx. Αυτή, όµως είναι η µορφή της πυκνότητας µιας Μ.Ε.Ο.Κ., µε DX = TX, τον αποδοτικό εκτιµητή. Οι Πρότασεις και δηλώνουν λοιπόν ότι για την οικογένεια κατανοµών{fx ;θ : θ Θ R} υπάρχουν αποδοτικοί εκτιµητές αν και µόνον αν αυτή ανήκει στη Μ.Ε.Ο.Κ.fx ;θ = e Aθ+Bx +Cθ Dx. Αποδοτικοί εκτιµητές είναι οιdx καιαdx +β Πρόταση και µόνον αυτοί Πρόταση Αποδοτικά εκτιµούνται οι τιµές gθ = E θ DX και g 1 θ = αgθ+β Πρόταση και µόνον αυτές Πρόταση Τέλος, υπό τις προϋποθέσεις της Πρότασης 5.2.5, ο αποδοτικός εκτιµητής του gθ είναι µοναδικός. Αν υπήρχαν δύο, ο TX και οαtx +β αποδοτικοί για τοgθ, ϑα είχαµεgθ = αgθ+β, οπότε α = 1 και β = 0 αφού gθ δεν είναι σταθερά ως προς θ. Παρατήρηση Ακολουθώντας την αντίστροφη πορεία της απόδειξης της Πρότασης 5.2.5, είναι εύκολο να δειχθεί ότι σε µία Μ.Ε.Ο.Κ. που ικανοποιεί τις Ι1 Ι5, η 5.19 είναι και ικανή συνθήκη προκειµένου οtx να είναι αποδοτικός εκτιµητής του gθ. Συνεπώς, ϕέρνοντας την τυχαία µεταβλητή θ ;θ στη µορφή 5.19 συµπεραίνουµε αµέσως ότι ο lfx είναι αποδοτικός για το gθ, χωρίς να χρειαστεί να υπολογίσουµε TX τη µέση τιµή E θ TX, που αν την υπολογίσουµε ϑα προκύψει ϕυσικά ότι είναι gθ. Παράδειγµα κατανοµή Beroulli - αποδοτικοί εκτιµητές Εστω X = X 1,...,X ένα τυχαίο δείγµα από την κατανοµή Beroulli B1,θ µε πυκνότητα f 1 x;θ = θ x 1 θ 1 x, x = 0,1, θ Θ = 0,1.

26 128Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Τότε, η οικογένεια κατανοµών του X είναι µία Μ.Ε.Ο.Κ. µε πυκνότητα fx ;θ = f 1 x i ;θ = θ x i 1 θ x i = e l1 θ+l θ 1 θ x i, x = x 1,...,x S = {0,1} {0,1}. Οι συνθήκες Ι1 και Ι2 προφανώς ισχύουν. Οι Ι3 και Ι4 επίσης ικανοποιούνται επειδή το S είναι πεπερασµένο ή διαφορετικά επειδή ισχύει η συνθήκη ϐ της Πρότασης καθώς cθ = lθ/1 θ και c θ = 1/θ1 θ. Τέλος, από την 5.8, ο αριθµός πληροφορίας του Fisher είναι Iθ = Var θ θ lfx ;θ = = 1 θ 2 1 θ 2 Var θ X i = 1 θ 2 1 θ 2Var θ X i 1 θ 2 1 θ 2 θ1 θ = θ1 θ, δηλαδή ισχύει η συνθήκη Ι5. Εποµένως, από την Πρόταση η στατιστική συνάρτηση = DX Xi είναι αποδοτικός εκτιµητής του gθ = E θ = θ και η στατι- DX στική συνάρτηση adx +β είναι αποδοτικός εκτιµητής του agθ+β = aθ + β. Ετσι, µε a = 1, β = 0, ο εκτιµητής DX = X είναι αποδοτικός για το θ. Ακόµη, παρατηρούµε ότι η διασπορά της κατανοµής, g 1 θ = θ1 θ, δεν µπορεί να γραφεί στη µορφή g 1 θ = agθ+β = aθ+β, για κάθε θ 0,1, µε a και β σταθερές µη εξαρτώµενες από το θ το πρώτο µέλος είναι συνάρτηση δεύτερου ϐαθµού ως προς θ ενώ το δεύτερο πρώτου ϐαθµού και εποµένως δεν υπάρχει αποδοτικός εκτιµητής του θ1 θ. Εναλλακτικά, χρησιµοποιώντας τη διαδικασία που περιγρά- ϕεται στην Παρατήρηση 5.2.2, είναι πολύ εύκολο να ϕέρουµε την τυχαία

27 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 129 µεταβλητή θ ;θ στις ισοδύναµες µορφές lfx lfx θ ;θ = 1 X i θ = θ1 θ = aθ1 θ a X +β aθ +β απ όπου προκύπτει ότι οι στατιστικές συναρτήσεις θ1 θ X θ X i, X,a X+β είναι αποδοτικοί εκτιµητές των θ, θ, aθ + β, αντίστοιχα. Ολοι οι αποδοτικοί εκτιµητές είναι οι γραµµικοί µετασχηµατισµοί a X +β. Παράδειγµα κατανοµή Poisso - πληροφορία Iθ Εστω X = X 1,...,X ένα τυχαίο δείγµα από την κατανοµή Poisso Pθ, θ Θ = 0, µε πυκνότητα f 1 x;θ = e θθx x!, x = 0,1,2,.... Υπενθυµίζουµε ότι E θ X 1 = Var θ X 1 = θ. Τότε και fx ;θ = x i f 1 x i ;θ = e θ θ x 1! x! θ Εποµένως, από την 5.8 προκύπτει lfx ;θ = + Iθ = Var lfx θ θ ;θ = Var θ + xi θ. X i /θ = 1 θ 2Var θ X i = 1 θ 2 Var θ X i = 1 θ 2 θ = 1 θ 2θ = θ. Παρατηρούµε ότι η πληροφορία Iθ είναι αντιστρόφως ανάλογη της διασποράς, θ, της κατανοµής. Οσο λοιπόν µικρότερη είναι η διασπορά, τόσο περισσότερη πληροφορία περιέχεται στο δείγµα X για τοθ, κάτι που είναι διαισθητικά αναµενόµενο.

28 130Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Σύµφωµα µε την Πρόταση 5.1.2, εφαρµογή της 5.8,Iθ = Var θ θ lfx ;θ, προϋποθέτει την επαλήθευση των Ι1, Ι2, Ι3 που γίνεται εύκολα µέσω της Πρότασης Εναλλακτικά,E lfx θ θ ;θ = E θ + X i /θ = + 1 θ ισχύουν, οπότε έχουµε E θ X i = + 1 θ = 0, δηλαδή η 5.3 ή ισοδύναµα η Ι6 θ Iθ = E θ [ θ lfx ;θ 2 ] = Var θ θ lfx ;θ. Παράδειγµα κανονική κατανοµή µε γνωστή διασπορά - πλη- ϱοφορία Iθ και αποδοτικοί εκτιµητές Εστω X = X 1,...,X ένα τυχαίο δείγµα από την κανονική κατανοµή Nθ,σ 2 µε πυκνότητα f 1 x;θ = 1 σ 1 2π e 2σ 2x θ2,x R, όπου σ 2 είναι γνωστό και θ Θ = R άγνωστο. Τότε 1 fx ;θ = σ 2π /2e και 1 2σ 2 x i θ 2 = θ lfx ;θ = 1 σ 2 1 σ 2π /2e 1 2σ 2 x 2 i + θ σ 2 x i θ2 2σ 2 x i θ Οι συνθήκες της Πρότασης επαληθεύονται πολύ εύκολα ϐλέπε και το Παράδειγµα Άρα, από την 5.8, 1 Iθ = Var θ σ 2 X i θ = 1 σ 4Var θ X i = 1 σ 4σ2 = σ 2. Επίσης, µπορούµε να υπολογίσουµε το Iθ από τη σχέση 5.12, Iθ = I 1 θ. Πράγµατι, έχουµε και f 1 x 1 ;θ = 1 σ 2π e 1 2σ 2x 1 θ 2 θ lf 1x 1 ;θ = 1 x σ 2 1 θ. Εποµένως, από την 5.11, I 1 θ = E θ [ 1 σ 4X 1 θ 2 ] = 1 σ 4E θx 1 θ 2 = 1 σ 4Var θx 1 = 1 σ 4 σ2 = 1 σ 2

29 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 131 που συνεπάγεται Iθ = I 1 θ = σ 2. Εναλλακτικά, χρησιµοποιώντας τη σχέση 5.9 Iθ = E θ 2 θ 2 lfx ;θ και επειδή 2 θ 2 lfx ;θ = σ 2, προκύπτει ότι Iθ = E θ σ 2 = σ 2. Εχει ενδιαφέρον να επισηµάνουµε ότι η πληροφορία Iθ είναι σταθερή ως προςθ, αλλά και αντιστρόφως ανάλογη της διασποράς,σ 2, της κατανοµής. Οπως λοιπόν και στο Παράδειγµα , όσο µικρότερη είναι η διασπορά τόσο µεγαλύτερη είναι η πληροφορία που παρέχει το δείγµα X για την άγνωστη παράµετρο θ. Λόγω της 5.27, από την Παρατήρηση 5.2.2, συµπεραίνουµε αµέσως ότι η στατιστική συνάρτηση = X i είναι αποδοτικός εκτιµητής του DX gθ = θ. Εχοντας ϐρει έναν αποδοτικό εκτιµητή, τον DX, από την Παρατήρηση 5.2.1, αποδοτικοί εκτιµητές είναι οι γραµµικοί µετασχηµατισµοί του, = + β = a X i + β και µόνον αυτοί. Οι TX adx αντίστοιχες τιµές που εκτιµούνται αποδοτικά είναι g 1 θ = E θ TX = E θ adx +β = agθ+β = aθ+β, δηλαδή οι γραµµικοί µετασχηµατισµοί του θ και µόνον αυτοί. Ως ειδική περίπτωση, για a = 1 και β = 0, ο X είναι αποδοτικός εκτιµητής του θ. Παράδειγµα κανονική κατανοµή µε γνωστή µέση τιµή - πληροφορία Iθ και αποδοτικοί εκτιµητές Εστω X = X 1,...,X είναι ένα τυχαίο δείγµα από την κανονική κατανοµή Nµ,θ 2, όπου µ είναι γνωστό και θ Θ = 0, άγνωστο. Θα υπολογίσουµε τον αριθµό πληροφορίας του Fisher Iθ, το Κάτω Φράγµα των Cramér-Rao Κ.Φ.C- R για τη διασπορά των αµερόληπτων εκτιµητών του θ 2 καθώς και του θ και ϑα ϐρούµε όλους τους αποδοτικούς εκτιµητές και τις αντίστοιχες τιµές που εκτιµούν. Επαληθεύουµε πρώτα τις συνθήκες Ι1 Ι5 του Θεωρήµατος Ι1. Ο παραµετρικός χώρος Θ = 0, είναι ανοικτό διάστηµα του R. Ι2 - Ι4. Θα χρησιµοποιήσουµε την Πρόταση Αρχικά δείχνουµε ότι

30 132Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές η οικογένεια κατανοµών του X ανήκει στην Μ.Ε.Ο.Κ.. 1. Το σύνολο S = {x : fx,θ > 0} = R δεν εξαρτάται από το θ. 2. fx,θ = όπου, = exp 1 2πθ e x i µ2 2θ 2 = { 2 l2π lθ 1 2θ 2 = e Aθ+Bx +CθDx, x 1 i µ 2 2π /2 θ e 2θ 2 } x i µ 2 Aθ = 1 l2π lθ, Bx = 0, Cθ = 2 2θ 2, Dx = x i µ 2 και εποµένως η οικογένεια κατανοµών του X ανήκει στην Μ.Ε.Ο.Κ.. Επειδή η συνάρτηση Cθ = 1 2θ 2 έχει συνεχή και µη µηδενική παράγωγο, C θ = 1 θ 3, για θ 0,, οι συνθήκες Ι2 Ι4 ισχύουν, λόγω της Πρότασης Ι5. Από τις 5.12 και 5.13 παίρνουµε, Iθ = I 1 θ, όπου I 1 θ = E 2 θ lf θ 2 1 X 1 ;θ. Εχουµε λοιπόν, f 1 x 1 ;θ = 1 2πθ e x 1 µ2 2θ 2, lf 1 x 1 ;θ = 1 2 l2π lθ x 1 µ 2 2θ 2, θ lf 1x 1 ;θ = 1 θ + x 1 µ 2 θ 3, 2 θ lf 2 1 x 1 ;θ = 1 θ 2 3x 1 µ 2 θ 4. Άρα, { 1 I 1 θ = E θ θ 2 3X 1 µ 2 } = 1 θ θ 4E θx 1 µ 2 θ 4 = 1 θ θ 4Var θx 1 = 1 θ θ 4θ2 = 2 θ 2,

31 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 133 οπότε, Iθ = I 1 θ = 2 θ 2, δηλαδή ισχύει και η Ι5. Εποµένως, από το Θεώρηµα 5.1.1, το κάτω ϕράγµα των Cramér Rao για τη διασπορά των αµερόληπτων εκτιµητών του gθ = θ 2 ή gθ = θ είναι αντίστοιχα, Κ.Φ. C-R = g θ 2 Iθ = 4θ2 2/θ 2 = 2θ4, Κ.Φ. C-R = g θ 2 Iθ = 1 2/θ 2 = θ2 2. Εφαρµόζοντας την Πρόταση σε συνδυασµό µε την Παρατήρηση 5.2.1, συµπεραίνουµε ότι όλοι οι αποδοτικοί εκτιµητές είναι οι γραµµικοί µετασχηµατισµοί του DX, δηλαδή TX = adx +β = a X i µ 2 +β. Οι αντίστοιχες τιµές που εκτιµούνται αποδοτικά είναι µόνον οι γραµµικοί µετασχηµατισµοί του gθ = E θ = E θ X i µ DX 2 = θ 2, δηλαδή g 1 θ = aθ 2 + β. Ειδικά για a = 1 και β = 0, 1 Xi µ 2 είναι αποδοτικός εκτιµητής της διασποράς θ 2, ενώ δεν υπάρχει αποδοτικός εκτιµητής της τυπικής απόκλισης θ. Παράδειγµα Συνέχεια του Παραδείγµατος αλλαγή παραµέτρου Η κανονική κατανοµή καθορίζεται πλήρως από τη µέση τιµή και τη διασπορά της. ικαιολογείται λοιπόν και από στατιστικής σκοπιάς να ϑεωρήσουµε στο Παράδειγµα ως άγνωστη παράµετρο τη διασποράη = θ 2 αντί της τυπικής απόκλισηςθ. Τότε η κοινή κατανοµή των X i, i = 1,...,, είναι Nµ,η µε πυκνότητα f 1 x;η = 1 2πη e 1 2η x µ2,x R, η H = 0, και µ γνωστή σταθερά. Με ανάλογους υπολογισµούς η πληροφορία του Fisher που περιέχεται στο X για το η ϐρίσκουµε ότι είναι I η = 2η 2 = 2θ 4, 5.28

32 134Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές ενώ, όπως είδαµε στο Παράδειγµα Iθ = 2 θ Ενα πρώτο συµπέρασµα που συνάγεται από τις 5.28 και 5.29 είναι ότι η πληροφορία, Iθ, που παρέχει το X για την τυπική απόκλιση θ διαφέρει από την πληροφορία,i η, που παρέχει για τη διασποράη. Η διαπίστωση αυτή δεν είναι συµπτωµατική, αντίθετα, επιβεβαιώνει το γενικό κανόνα ότι η πληροφορία του Fisher είναι συνυφασµένη µε τη συγκεκριµένη άγνωστη παράµετρο, µέσω της οποίας έχουµε επιλέξει να παραµετροποιήσουµε την οικογένεια κατανοµών του δείγµατος X. Εξ άλλου η συσχέτιση της πληροφορίας του Fisher µε την άγνωστη παράµετρο θ είναι εγγενής στον ορισµό της, Iθ = E θ [ θ lfx ;θ 2 ], αφού η παραγώγιση γίνεται ως προς θ. Αλλαγή παραµέτρου από θ σε η = θ 2, επιβάλλει παραγώγιση ως προς η της συνάρτησης lfx ;θ = lfx ;η 1/2 = lf x ;η, όπουf x ;η είναι η πυκνότητα του δείγµατοςx µε παράµετρο τοη. Από τον τύπο παραγώγισης σύνθετης συνάρτησης έχουµε η lf x ;η = θ lfx ;θ θ θ=η 1/2 η = θ lfx ;θ θ=η 1/2 = θ lfx ;θ θ=η 1/2 η 1/2 η 1 2 η. Εποµένως, [ ] [ 2 ] 2 I η = E η η lf x ;η = E θ θ lfx ;θ 1 θ=η 1/2 4η = Iη 1/2 1 4η = 2 1 η 1/2 2 4η = 2η 2, που είναι η Στην Άσκηση 5.13 Ϲητείται να δειχθεί µία γενική σχέση που συνδέει τους αριθµούς πληροφορίας του Fisher για δύο διαφορετικές παραµετροποιήσεις της πυκνότητας του X.

33 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 135 Ως δεύτερο συµπέρασµα παρατηρούµε ότι οι πληροφορίες I η και Iθ είναι ϕθίνουσες συναρτήσεις της αντίστοιχης παραµέτρου και συνεπώς η εκτίµηση της διασποράς η αντίστοιχα, της τυπικής απόκλισης θ µπορεί να γίνει µε µεγαλύτερη ακρίβεια όταν η πραγµατική τιµή της είναι µικρή. Τέλος έχουµε I η Iθ = 1 4η καθώς η 0, που ερµηνεύεται ότι η διασπορά µπορεί να εκτιµηθεί µε πολύ µεγαλύτερη ακρίβεια από την τυπική απόκλιση, όταν η πραγµατική τους τιµή είναι «πολύ µικρή», ενώ το αντίστροφο ισχύει όταν η πραγµατική τους τιµή είναι «πολύ µεγάλη». Το Κ.Φ.C-R είναι ανεξάρτητο από την επιλεγείσα παραµετροποίηση. Πράγµατι, µε παράµετρο το θ, το Κ.Φ.C-R για τη διασπορά των αµερόληπτων εκτιµητών του θ είναι, όπως είδαµε στο Παράδειγµα , Κ.Φ. C-R = g θ 2 Iθ = 1 Iθ = θ2 2, επειδή gθ = θ. Το ίδιο κάτω ϕράγµα, µε παράµετρο το η είναι Κ.Φ. C-R = g 1 η2 I η = η 2 = θ2, 2 επειδή g 1 η = η 1/2 = θ και g 1 η = 1 2 η. Παρόµοια, είτε µε τη µία είτε µε την άλλη παραµετροποίηση, το Κ.Φ.C- R για τη διασπορά των αµερόληπτων εκτιµητών του θ 2 είναι Παράδειγµα Κ.Φ. C-R = 2θ4 = 2η2. Στην Άσκηση 5.14 Ϲητείται να δειχθεί η µη εξάρτηση του Κ.Φ.C-R από οποιαδήποτε παραµετροποίηση της πυκνότητας του X. Παράδειγµα απλό γραµµικό µοντέλο - πληροφορία Iθ Εστω X = X 1,...,X ανεξάρτητες παρατηρήσεις µε κανονικές κατανο- µές Nθt i,1, i = 1,..., αντίστοιχα, όπου t i είναι γνωστές σταθερές και

34 136Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές θ Θ = R άγνωστο. Τότε fx ;θ = 1 2 x i θt i 2 2π /2e 1 και Εποµένως, έχουµε θ lfx ;θ = x i θt i t i = x i t i θ t 2 i. [ Iθ = E lfx ] 2 θ θ ;θ = E θ t i X i θ = Var θ t i X i = t 2 ivar θ X i = t 2 i. Η τρίτη ισότητα είναι ο ορισµός της διασποράς της τυχαίας µεταβλητής t i X i, επειδή t 2 i 2 E θ t i X i = t i E θ X i = θt 2 i = θ t 2 i. Παράδειγµα κατανοµή Βήτα - πληροφορία Iθ και αποδοτικοί εκτιµητές Εστω X = X 1,...,X τυχαίο δείγµα από την κατανοµή Βήτα, Betaθ, 1, µε πυκνότητα f 1 x;θ = θx θ 1, 0 < x < 1, θ Θ = 0,. Οι συνθήκες Ι1 Ι4 επαληθεύονται εύκολα, µέσω της Πρότασης Τότε έχουµε θ 1 fx ;θ = θ x i = e lθ+θ 1 θ lfx ;θ = θ + lx i και οπότε, από την 5.9, προκύπτει lx i, 2 θ 2 lfx ;θ = θ 2, Iθ = E 2 θ ;θ = E θ lfx 2 θ θ 2 = θ 2.

35 Εκθετική οικογένεια κατανοµών και αποδοτικοί εκτιµητές 137 Για σύγκριση, προκειµένου να χρησιµοποιήσουµε τον ορισµό του Iθ, ϑα ϐρούµε την κατανοµή τουlx i. Από τον τύπο της Ενότητας 1.7 προκύπτει ότι η τυχαία µεταβλητήy i = lx i έχει εκθετική κατανοµή µε πυκνότητα θe θy,y > 0, συνεπώς, E θ Y i = 1 θ, Var θy i = 1 θ 2 και E θ Y i = θ. Εποµένως, [ Iθ = E lfx ] 2 θ θ ;θ = E θ Y i θ 2 = Var θ Y i = Επειδή µε πιθανότητα 1 lfx θ ;θ = θ + Var θ Y i = θ 2. lx i = lx i θ, από την Παρατήρηση συµπεραίνουµε αµέσως ότι η στατιστική συνάρτηση = lx i είναι αποδοτικός εκτιµητής του gθ = DX θ και από την Παρατήρηση ότι όλοι οι αποδοτικοί εκτιµητές είναι + β = a lx i + β µε αντίστοιχες τιµές που εκτιµού- adx νται αποδοτικά, τις g 1 θ = agθ + β = a θ + β. Ειδικά για β = 0 ή 1 και a = 1, οι αποδοτικοί εκτιµητές του 1 θ και του 1 θ + 1 = θ+1 θ είναι 1 lx i και 1 lx i +1 αντίστοιχα, ενώ δεν υπάρχει αποδοτικός εκτιµητής του θ. Παράδειγµα ανεξάρτητες Poisso - πληροφορία Iθ, Κ.Φ. C R και αποδοτικός εκτιµητής Εστω ότι X = X 1,...,X είναι α- νεξάρτητες παρατηρήσεις από Poisso κατανοµές Pa i θ, µε γνωστά a i, i = 1,2,..., και άγνωστοθ Θ = 0,. Θα υπολογίσουµε τον αριθµό πληροφορίας του Fisher Iθ και το Κάτω Φράγµα των Cramér-Rao για τη διασπορά των αµερόληπτων εκτιµητών του gθ = θ. Επαληθεύουµε πρώτα τις συνθήκες Ι1 Ι5 του Θεωρήµατος

36 138Ανισότητα των Cramér Rao, Πληροφορία του Fisher και Αποδοτικοί Εκτιµητές Ι1. Ο παραµετρικός χώρος Θ = 0, είναι ανοικτό διάστηµα του R. Ι2 - Ι4. Η οικογένεια κατανοµών του X ανήκει στην Μ.Ε.Ο.Κ.: 1. Το σύνολο S = : fx,θ > 0} = N {x δεν εξαρτάται από το θ. 2. fx,θ = e a iθ a iθ x i = e a iθ a x θ x i i i x i! x i! { } = exp a i θ lx i! x i la i +lθ x i όπου, Aθ = Dx = = e Aθ+Bx +CθDx, a i θ, Bx = lx i! x i la i, Cθ = lθ, και x i. Επειδή η συνάρτηση Cθ = lθ έχει συνεχή και µη µηδενική παράγωγο, C θ = 1 θ, για θ 0,, ισχύουν οι συνθήκες Ι2 Ι4, λόγω της Πρότασης Ι5. Από τις 5.10 και 5.13 παίρνουµε, Iθ = I i θ, όπου I i θ = E 2 θ lf θ 2 i X i ;θ. Εχουµε λοιπόν, οπότε Iθ = 1 θ f i x i ;θ = e a iθ a iθ x i, x i! lf i x i ;θ = a i θ+x i la i +x i lθ lx i!, θ lf ix i ;θ = a i + x i θ, 2 I i θ = E θ X i θ 2 lf θ 2 i x i ;θ = x i θ 2, a i > 0, δηλαδή ισχύει και η Ι5. = 1 θ 2E θx i = 1 θ 2a iθ = a i θ, Εποµένως, από το Θεώρηµα 5.1.1, το κάτω ϕράγµα των Cramér Rao για τη διασπορά των αµερόληπτων εκτιµητών του gθ = θ είναι Κ.Φ. C-R = g θ 2 = Iθ 1 a i/θ = θ a. i

37 Ανισότητα των Cramér Rao και πίνακας πληροφορίας του Fisher για θ R κ 139 Επί πλέον, µέσω της Πρότασης 5.2.4, είναι εύκολο να δειχθεί ότι ο αποδοτικός εκτιµητής του θ είναι Xi / ai. 5.3 Ανισότητα των Cramér Rao και πίνακας πλη- ϱοφορίας του Fisher για θ = θ 1,...,θ κ R κ Η ανισότητα των Cramér Rao και ο αριθµός πληροφορίας του Fisher µπο- ϱούν να επεκταθούν και στην περίπτωση που η άγνωστη παράµετρος είναι διανυσµατική, δηλαδή θ = θ 1,...,θ κ Θ R κ, κ > 1. Θα περιγράψουµε, εν συντοµία, την επέκτασή τους παραλείποντας αποδείξεις και παραπέµποντας τον αναγνώστη στους Rao 1973, σελ και Lehma ad Casella 1998, Sectio 2.6 για περισσότερες λεπτοµέρειες. Υποθέτουµε ότι το Θ είναι ανοικτό υποσύνολο του R κ διαφορετικά, τα παρακάτω αφορούν το σύνολο των εσωτερικών σηµείων του Θ, το σύνολο τιµών του δείγµατος X = X 1,...,X S = {x = x 1,...,x R : fx ;θ > 0} δεν εξαρτάται από τοθ, ότι υπάρχουν και είναι πεπερασµένες οι µερικές παράγωγοι θ lfx ;θ, i i = 1,...,κ για κάθε S, θ Θ x και επιτρέπεται η αλλαγή σειράς παραγώγισης και ολοκλήρωσης ή άθροισης όπως στις συνθήκες Ι3 και Ι4. Τότε ο πίνακας πληροφορίας ή απλά πληροφορία του Fisher που περιέχεται στο X για το θ ορίζεται ως ο κ κ πίνακας Iθ = I ij θ µε γενικό στοιχείο [ ] I ij θ = E θ θ i ;θ θ lfx j ;θ lfx = Cov θ θ i lfx ;θ, θ j lfx ;θ i,j = 1,...,κ. Η πρώτη ισότητα είναι ο ορισµός του I ij θ, ενώ η δεύτερη προκύπτει αµέσως από τον τύπο CovY, Z = EY Z EY EZ, επειδή E θ θ i ;θ = E θ θ lfx j ;θ = 0 lfx κατ αντιστοιχία µε την 5.3. Ο πίνακας Iθ είναι συµµετρικός, I ij θ = I ji θ, µε διαγώνια στοιχεία τις διασπορές I ii θ = Var θ θ i ;θ, i = lfx 1,...,κ. Μπορεί να δειχθεί ότι ο Iθ είναι ϑετικά ηµιορισµένος