Fisher信息量与Fisher观测信息量

Fisher信息量是衡量参数估计精度的统计量,它在最大似然估计中起到关键作用。最大似然估计量的方差由Fisher信息量的倒数决定。观测Fisher信息量更直接反映了估计值的准确性,它是利用数据估计的参数的负二阶导数。观测Fisher信息量可以用来改进参数估计的分布,使其更精确地反映估计值的不确定性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Fisher信息量

Fisher信息量的定义在之前的博客中详细介绍了,定义是:
I(θ)=−Eθ[∂2f(x;θ)∂θ2]=−∫x∂2f(x;θ)∂θ2f(x;θ)dxI(\theta)=-E_{\theta}[\frac{\partial ^2 f(x;\theta)}{\partial \theta^2}]=-\int_{x}\frac{\partial ^2f(x;\theta)}{\partial \theta^2}f(x;\theta)dxI(θ)=Eθ[θ22f(x;θ)]=xθ22f(x;θ)f(x;θ)dx
最大似然估计量的渐进分布的方差由Fisher信息量的倒数给出:
θ^=N(θ,1I(θ))\hat{\theta}=N(\theta, \frac{1}{I(\theta)})θ^=N(θ,I(θ)1)其中,θ\thetaθ是参数真值。由于真值不得而知,因此只能用plug-in形式的Fisher信息量:I(θ^)I(\hat{\theta})I(θ^)

Fisher观测信息量

Fisher包括后来的一些统计学家如斯坦福的Efron认为Fisher观测信息比plug-in的Fisher信息量更加能够反映估计值θ^\hat{\theta}θ^的准确性。
观测Fisher信息定义为:
I(x)=−∂2f(x;θ)∂θ2∣θ=θ^I(x)=-\frac{\partial ^2 f(x;\theta)}{\partial \theta ^2}|_{\theta = \hat{\theta}}I(x)=θ22f(x;θ)θ=θ^
这里自变量换成xxx是因为利用数据获得了一个具体取值,也就是说θ^=g(x)\hat{\theta}=g(x)θ^=g(x)这很好理解,首先求取似然函数负二阶导数,然后利用数据xxx估计一个θ^\hat{\theta}θ^,然后带入到负二阶导数的表达式里面去。估计值的分布变成了N(θ,1I(x))N(\theta, \frac{1}{I(x)})N(θ,I(x)1)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值