3.2. Свойства оценок наименьших квадратов
Если предположить, что "ошибки" являются несмещенными, т. е.
то
и
есть несмещенная оценка вектора
Если, кроме того, предположить, что все
некоррелированы и имеют одинаковую дисперсию,
то
и
Отсюда по теореме 1.4 (следствие 2) получаем
Здесь возникает такой вопрос: почему в качестве оценки вектора
мы выбираем именно
(оценку наименьших квадратов), а не какую-нибудь другую оценку? Мы покажем ниже, что в достаточно разумном классе оценок
является оценкой параметра
обладающей наименьшей дисперсией. Эта оценка
легко "выделяется" из вектора
простым умножением слева на вектор-строку с, у которой
элемент равен единице, а все остальные элементы равны нулю. Оказывается, что такое специфическое свойство оценки
можно обобщить на случай произвольной линейной комбинации
Для этого используем следующую теорему.
Теорема 3.2. Пусть
-оценка наименьших квадратов вектора
Тогда в классе всех линейных несмещенных оценок линейной комбинации
оценка
является единственной оценкой, обладающей минимальной дисперсией. (Мы говорим при этом, что
является наилучшей линейной несмещенной оценкой
для
Доказательство. В соответствии с § 3.1 оценка 0 имеет вид
где
Поэтому
для всех
является линейной несмещенной оценкой для
Тогда
или
так что
Таким образом,
Далее,
(последнее равенство справедливо в силу теоремы 3.1), так что
Равенство здесь достигается только в том случае, когда
Это и означает, что
имеет минимальную дисперсию и является единственной оценкой с таким свойством в рассматриваемом классе.
В этом параграфе мы предполагали, что матрица X имеет полный ранг, так что
и из
вытекает, что
Полагая
мы получаем отсюда, что
является
для
при каждом а.
Отметим, что доказанная теорема остается в силе и тогда, когда матрица X неполного ранга. При этом матрица
становится проекционной матрицей, имеющей свойства, описанные в
До сих пор мы не делали никаких предположений о распределении
Однако в том случае, когда ошибки
независимы и одинаково распределены по закону
т. е.
или в эквивалентной форме
то
имеет минимальную дисперсию среди всех несмещенных оценок, а не только в классе линейных несмещенных оценок [по поводу доказательства этого факта см. Rao (1973, с. 319)J. В частности, оценка., являющаяся при этом также и оценкой максимального правдоподобия для (разд. 4.1.2), является эффективной оценкой
Когда общее для всех распределение не является нормальным, оценка наименьших квадратов для
не совпадает с асимптотически эффективной оценкой максимального правдоподобия. Асимптотическая эффективность оценки наименьших квадратов для этого случая доказана в книге Сох, Hinkley (1968).
Eicker (1963) рассматривал вопрос о состоятельности и асимптотической нормальности оценки
при
При слабых ограничениях он показал, что
является состоятельной оценкой вектора
тогда и только тогда, когда наименьшее собственное значение матрицы
стремится к бесконечности. Такое ограничение на наименьшее собственное значение является весьма слабым, и поэтому указанный результат имеет широкое применение. Eicker (1963) также доказал теорему, содержащую необходимые и достаточные условия для асимптотической нормальности каждой
(см. Anderson М. R. (1971, с. 23-27)).
Упражнения 3b
(см. скан)