Unvoreingenommener Schätzer des Exponentialmaßes einer Menge?

12

Angenommen, wir haben eine (messbare und angemessen gut erzogene) Menge SBRn , wobei B kompakt ist. Nehmen wir außerdem an, wir können Proben aus der gleichmäßigen Verteilung über B über das Lebesgue-Maß λ() und das Maß λ(B) . Zum Beispiel ist B vielleicht eine Box [c,c]n die S .

Gibt es für festes αR eine einfache unvoreingenommene Möglichkeit, eαλ(S) zu schätzen, indem Punkte in B gleichmäßig abgetastet und überprüft werden, ob sie innerhalb oder außerhalb von S ?

Nehmen wir als Beispiel für etwas an, das nicht ganz funktioniert, nehmen wir k Punkte p1,,pkUniform(B) . Dann können wir die Monte - Carlo - Schätzung verwenden

λ(S)λ^:=#{piS}kλ(B).
Doch während λ ein unverzerrter Schätzer von istλ(S), ich glaube nichtdass es der Falldasse-& agr; λ ist ein unverzerrter Schätzer vone-& agr;λ(S). Gibt es eine Möglichkeit, diesen Algorithmus zu ändern?λ^λ(S)eαλ^eαλ(S)

Justin Solomon
quelle

Antworten:

11

Angenommen, Ihnen stehen folgende Ressourcen zur Verfügung:

  1. Sie haben Zugriff auf einen Schätzer λ^ .
  2. λ^ ist für unvoreingenommeneλ(S) .
  3. λ^ist fast sicher nach oben beschränkt durchC.
  4. Sie kennen die Konstante C und
  5. Sie können unabhängige Realisierungen bilden λ so oft wie Sie möchten.λ^

Beachten Sie nun, dass für jedes u>0 Folgendes gilt (durch die Taylor-Erweiterung von expx ):

eαλ(S)=eαCeα(Cλ(S))=eαCk0(α[Cλ(S)])kk!=eαCeuk0eu(α[Cλ(S)])kk!=euαCk0ukeuk!(α[Cλ(S)]u)k

Gehen Sie nun wie folgt vor:

  1. Probe KPoisson(u) .
  2. Form & lambda; 1 , , λ K als IId unvoreingenommene Schätzer von λλ^1,,λ^Kλ(S) .
  3. Geben Sie den Schätzer zurück

Λ^=euαC(αu)Ki=1K{Cλ^i}.

Λ^ ist dann eine nicht negative, unverzerrter Schätzer vonλ(S). Das ist weil

E[Λ^|K]=euαC(αu)KE[i=1K{Cλ^i}|K]=euαC(αu)Ki=1KE[Cλ^i]=euαC(αu)Ki=1K[Cλ(S)]=euαC(αu)K[Cλ(S)]K

and thus

E[Λ^]=EK[E[Λ^|K]]=EK[euαC(αu)K[Cλ(S)]K]=euαCk0P(K=k)(αu)K[Cλ(S)]K=euαCk0ukeuk!(α[Cλ(S)]u)k=eαλ(S)

by the earlier calculation.

πr8
quelle
Interesting! Doesn't the estimator for λ^ described in the question work here, since it's bounded above by λ(B)<? Also how come this doesn't contradict @whuber 's answer below? Is there an easy argument why this is unbiased? Sorry for many questions, my probability theory is weak :-)
Justin Solomon
1
The estimator you describe works, since you know λ(B). I think this doesn't contradict the other answer because of assumption 5; given finite access to unbiased estimators, I don't think this construction would work. The unbiasedness comes by comparing the expectation of Λ^ to the power series above; I'll make that clearer in the answer.
πr8
Are you sure you can interchange the product and expectation in the second line of the proof of unbiasedness?
jbowman
2
Seems like it's ok because they're computed iid, right?
Justin Solomon
2
+1 I think this is an interesting and instructional example. It succeeds by not making an assumption implicit to my answer: that the sample size is either specified or at least bounded.
whuber
10

The answer is in the negative.

A sufficient statistic for a uniform sample is the count X of points observed to lie in S. This count has a Binomial(n,λ(S)/λ(B)) distribution. Write p=λ(S)/λ(B) and α=αλ(B).

For a sample size of n, let tn be any (unrandomized) estimator of exp(αλ(S))=exp((αλ(B))p)=exp(αp). The expectation is

E[tn(X)]=x=0n(nx)px(1p)nxtn(x),

which equals a polynomial of degree at most n in p. But if αp0, the exponential exp(αp) cannot be expressed as a polynomial in p. (One proof: take n+1 derivatives. The result for the expectation will be zero but the derivative of the exponential, which itself is an exponential in p, cannot be zero.)

The demonstration for randomized estimators is nearly the same: upon taking expectations, we again obtain a polynomial in p.

Consequently, no unbiased estimator exists.

whuber
quelle
1
Ah, that's a downer! Thanks for the nice proof. But, the Taylor series for exp(t) converges fairly quickly --- perhaps there's an "approximately unbiased" estimator out there? Not sure what that means (I'm not much of a statistician :-) )
Justin Solomon
How quickly, exactly? The answer depends on the value of αp--and therein lies your problem, because you don't know what that value is. You know only that it lies between 0 and α. You could use that to establish a bound on the bias if you like.
whuber
In my application I expect S to occupy a large portion of B. I'd like to use this value in a pseudo-marginal Metropolis-Hastings acceptance ratio, not sure if that method can handle even controllable levels of bias...
Justin Solomon
4
BTW I'd really appreciate your thoughts on the other answer to this question!
Justin Solomon