En uppskattare är en statistik som kräver vissa villkor för att kunna beräkna vissa parametrar i en befolkning med vissa garantier.
Det vill säga en uppskattare är en statistik. Nu är han inte bara någon statistiker. Det är en statistik med vissa egenskaper. Ett exempel kan vara medelvärdet eller variansen. Dessa välkända mätvärden är uppskattare.
Vi nämner dessa två eftersom de är de enklaste, men i statistiken finns det många fler. Nu, när vi går tillbaka till definitionen, vad förstår vi under vissa villkor så att vissa parametrar kan beräknas med vissa garantier?
Först och främst måste vi förstå att när vi genomför en forskningsstudie vill vi normalt studera en viss parameter. Vi vill till exempel studera vad som är den genomsnittliga höjden på träd i en viss stad i Colombia. Variabeln som studeras är höjden på träden i en viss stad i Colombia. Medan parametern är den genomsnittliga höjden på träden i den staden.
I exemplet ovan, vilket villkor måste vi kräva av vår uppskattare? Tja, ta till exempel inte negativa värden. Och naturligtvis att beräkningen av medelhöjden leder till möjliga värden. Om det högsta trädet är 10 meter kan medeluppskattaren inte ge oss 15 meter. I så fall kan det inte vara en uppskattning, eftersom det inte skulle ge upphov till fysiskt möjliga värden.
Således, från ovanstående, drar vi slutsatsen att uppskattarna är statistiker som nödvändigtvis måste ta möjliga värden från de data vi studerar.
Nu räcker det inte bara att ta värden som ligger inom dataområdet. Normalt krävs vissa fastigheter av dig för att vi ska ha vissa garantier. Det kan vara så att vissa uppskattare uppfyller villkoret att vara uppskattare, men om de uppskattar dåligt kommer de att klassificeras som dåliga uppskattare.
Rekommenderade egenskaper hos en estimator
För att den ska kunna fullgöra sin funktion väl, rekommenderas förutom att uppskattarna uppfyller sina grundläggande villkor för uppskattningar att de uppfyller vissa ytterligare egenskaper. Dessa egenskaper är det som gör att slutsatserna från vår studie kan vara tillförlitliga.
- Tillräckligt: Egenskapen tillräcklighet indikerar att uppskattaren arbetar med alla data i urvalet. Till exempel väljer medelvärdet inte bara 50% av uppgif.webpterna. Det tar hänsyn till 100% av data för att beräkna parametern.
- Opartisk: Den opartiska egenskapen avser centralen hos en uppskattare. Det vill säga medelvärdet av en estimator måste sammanfalla med parametern som ska uppskattas. Vi bör inte förväxla medelvärdet av en uppskattning med medeluppskattaren.
- Konsekvent: Begreppet konsistens går hand i hand med provets storlek och begreppet gräns. Med enkla ord kommer det att berätta att beräknarna uppfyller denna egenskap när de, i fallet med ett mycket stort urval, kan uppskatta nästan utan fel.
- Effektiv: Effektivitetsegenskapen kan vara absolut eller relativ. En estimator är effektiv i absolut mening när estimatens varians är minimal. Vi får inte förväxla en uppskattnings avvikelse med en uppskattningsvarians.
- Stark: En uppskattare sägs vara robust om resultaten, trots att den ursprungliga hypotesen är felaktig, liknar de verkliga.
Ovanstående egenskaper är de viktigaste. Naturligtvis finns det inom varje fastighet många olika fall. På samma sätt finns det också andra önskvärda egenskaper.
Andra önskvärda egenskaper hos uppskattare
Ett exempel på en önskvärd egenskap är den som är oförändrad för förändringar i skala. Den här egenskapen indikerar att om måttenheten ändras ändras inte värdet som ska uppskattas. Om vi till exempel mäter träd i centimeter och sedan i meter, ska medelvärdet vara detsamma. Med vilken kan vi säga att medelvärdet är en oförändrad uppskattare före skalförändringar.
En annan egenskap som statistikmanualer brukar indikera är att den är oförändrad i ursprungets förändringar. För att fortsätta med det föregående fallet kommer vi att se ett hypotetiskt fall. Antag att efter mätning av alla träd, drar vi slutsatsen att vi måste lägga 10 centimeter till varje träds registrerade höjd. Remsan som användes var dåligt uppmätt och vi måste göra denna förändring för att anpassa data till verkligheten. Vad vi gör är en förändring av ursprung. Och frågan är kommer resultatet av genomsnittlig höjd att förändras?
I motsats till skalförändringen påverkar här ändringen av ursprung. Om det visar sig att alla träd är 10 centimeter högre, kommer medelhöjden att stiga.
Därför kan vi säga att medelvärdet är en invariant uppskattare före skalförändringar men variant före ursprungsförändringar.