이것은 지수 가족에 대한 일반적인 주장이지만, 대부분의 경우 경험이 적은 독자를 혼란스럽게 할 수있는 방식으로 언급됩니다. 액면가에서 취한 값은 "임의의 변수가 지수 패밀리의 분포를 따르는 경우 다음과 같이 해석 할 수 있습니다. 그런 다음 표본을 추출하여 충분한 통계량에 삽입하면 통계 의 실제 예상 값을 얻습니다. ". 만약에 그랬다면 ... 더 많은 것은 샘플의 크기를 고려하지 않으며, 이는 더 혼란을 야기 할 수 있습니다.
지수 밀도 함수는
fX(x)=h(x)eη(θ)T(x)e−A(θ)(1)
여기서 는 충분한 통계량입니다.T(x)
이것은 밀도이므로 단일성과 통합되어야하므로 ( 는 지원 )SxX
∫Sxh(x)eη(θ)T(x)e−A(θ)dx=1(2)
등식 모든 보유 하므로 두 측면을 구별 할 수 있습니다.(2)θ
∂∂θ∫Sxh(x)eη(θ)T(x)e−A(θ)dx=∂(1)∂θ=0(3)
차별화와 통합의 순서를 바꾸면
∫Sx∂∂θ(h(x)eη(θ)T(x)e−A(θ))dx=0(4)
우리가 가진 차별화를 수행
∂∂θ(h(x)eη(θ)T(x)e−A(θ))=fX(x)[T(x)η′(θ)−A′(θ)](5)
우리가 얻는 를 삽입(5)(4)
∫SxfX(x)[T(x)η′(θ)−A′(θ)]dx=0
⇒η′(θ)E[T(X)]−A′(θ)=0⇒E[T(X)]=A′(θ)η′(θ)(6)
이제 우리는 묻습니다 : 의 왼쪽 은 실수입니다. 따라서 오른쪽도 실수가 아니라 함수 여야합니다 . 따라서 특정 에서 평가 해야하며 "true" 이어야합니다. 그렇지 않으면 왼쪽에 의 실제 예상 값이 없습니다 . 이를 강조하기 위해 실제 값을 표시하고 과 같이 씁니다.(6)θθT(X)θ0(6)
Eθ0[T(X)]=A′(θ)η′(θ)∣∣θ=θ0(6a)
우리는 이제 최대 가능성 추정으로 돌아갑니다 . 크기 의 표본에 대한 로그 우도 는 다음과 같습니다.n
L(θ∣x)=∑i=1nlnh(xi)+η(θ)∑i=1nT(xi)−nA(θ)
대한 도함수 를 하면 MLE을 얻는다θ0
θ^(x):1n∑i=1nT(xi)=A′(θ)η′(θ)∣∣θ=θ^(x)(7)
과 비교하십시오 . 오른쪽 측면은 하지 우리가 진정한 가치시 MLE 추정 히트 주장 할 수 없기 때문에, 동일. 따라서 왼쪽도 마찬가지입니다. 그러나 그 방정식을 기억하십시오. 는 모든 와 에도 적용됩니다. 따라서 eq. 은 와 관련하여 취할 수 있으므로 eq를 쓸 수 있습니다. 에 대한 :(7)(6a)2 θθ^3,4,5,6θ^6aθ^
Eθ^(x)[T(X)]=A′(θ)η′(θ)∣∣θ=θ^(x)(6b)
과 결합 하여 유효한 관계로 연결됩니다.(7)
Eθ^(x)[T(X)]=1n∑i=1nT(xi)
이것은 조사중인 주장이 실제로 말하는 것입니다 : MLE에서 알 수없는 모수에 대한 충분한 통계의 예상 값 (즉, 우리가 사용하면 얻을 수있는 분포의 첫 번째 원시 모멘트의 값) 대신에 ) 와 동일 )를 (그리고 단지 근사되지 평균 샘플로부터 계산 된 충분한 통계치 . θ^(x)θx
또한 표본 크기가 경우에만 "MLE에서 충분한 통계의 예상 값이 충분한 통계와 같습니다"라고 정확하게 말할 수 있습니다.n=1