<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>MVUE |</title><link>https://chaeniverse.github.io/tags/mvue/</link><atom:link href="https://chaeniverse.github.io/tags/mvue/index.xml" rel="self" type="application/rss+xml"/><description>MVUE</description><generator>HugoBlox Kit (https://hugoblox.com)</generator><language>en-us</language><lastBuildDate>Mon, 31 Oct 2022 00:00:00 +0000</lastBuildDate><image><url>https://chaeniverse.github.io/media/icon_hu_da05098ef60dc2e7.png</url><title>MVUE</title><link>https://chaeniverse.github.io/tags/mvue/</link></image><item><title>Rao–Blackwell Theorem</title><link>https://chaeniverse.github.io/blog/rao-blackwell-theorem/</link><pubDate>Mon, 31 Oct 2022 00:00:00 +0000</pubDate><guid>https://chaeniverse.github.io/blog/rao-blackwell-theorem/</guid><description>&lt;h2 id="raoblackwell-theorem"&gt;Rao–Blackwell Theorem&lt;/h2&gt;
&lt;p&gt;$g(\theta)$ 를 모수의 함수, 그리고&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;$S$ : sufficient statistic&lt;/li&gt;
&lt;li&gt;$T$ : $g(\theta)$ 의 unbiased estimator (u.e.)&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;라 하자. 이때&lt;/p&gt;
$$f(S) \;=\; E(T(X) \mid S) \;=\; E(T \mid S)$$&lt;p&gt;는 $g(\theta)$ 에 의존하지 않는 &lt;strong&gt;통계량&lt;/strong&gt;이며, $f(S)$ 도 역시 $g(\theta)$ 의 비편향추정량이다.&lt;/p&gt;
&lt;p&gt;(여기서 $f(S)$ 의 정의가 $\theta$ 에 의존하지 않는다 — $S$ 가 sufficient이기 때문에 $T \mid S$ 의 분포가 $\theta$ 와 무관해서, 조건부 기댓값도 $\theta$ 와 무관하다.)&lt;/p&gt;
&lt;p&gt;또한 모든 $\theta$ 에 대하여 다음이 성립한다.&lt;/p&gt;
$$\mathrm{Var}(f(S)) \;\le\; \mathrm{Var}(T(X)) \tag{1}$$&lt;p&gt;따라서 $f(S)$ 는 &lt;strong&gt;MVUE 가 될 후보&lt;/strong&gt;가 된다.&lt;/p&gt;
&lt;p&gt;이제 (1)을 증명하자.&lt;/p&gt;
&lt;h2 id="증명"&gt;증명&lt;/h2&gt;
&lt;p&gt;먼저 $f(S)$ 가 비편향임을 확인:&lt;/p&gt;
$$E(f(S)) = E\big(E(T(X) \mid S)\big) = E(T(X)) = g(\theta) \quad \text{(이중기댓값 정리)}$$&lt;p&gt;이제 $\mathrm{Var}(T(X))$ 를 전개한다. $E(f(S)) = g(\theta)$ 이고 $E(T(X)) = g(\theta)$ 이므로&lt;/p&gt;
$$\mathrm{Var}(T(X)) = E\big[T(X) - E(f(S))\big]^2$$&lt;p&gt;$T(X)$ 와 $E(f(S))$ 사이에 $f(S)$ 를 더하고 빼서 분리한다 ($+f(S) - f(S)$):&lt;/p&gt;
$$= E\big[(T(X) - f(S)) + (f(S) - E(f(S)))\big]^2$$&lt;p&gt;제곱을 전개하면&lt;/p&gt;
$$= \underbrace{E\big[T(X) - f(S)\big]^2}_{\text{(I)}} \;+\; 2\underbrace{E\big[(T(X) - f(S))(f(S) - E(f(S)))\big]}_{(\star)} \;+\; \underbrace{E\big[f(S) - E(f(S))\big]^2}_{=\,\mathrm{Var}(f(S))}$$&lt;h3 id="핵심-교차항"&gt;핵심: 교차항 $(\star) = 0$&lt;/h3&gt;
$$(\star) = E\big[(T(X) - f(S))(f(S) - E(f(S)))\big]
= E\Big[\,E\big[(T(X) - f(S))(f(S) - E(f(S))) \,\big|\, S\big]\,\Big]$$&lt;p&gt;조건부 안에서 $f(S)$ 와 $E(f(S))$ 는 $S$ 에 대해 상수처럼 다룰 수 있으므로 (전자는 $S$ 의 함수, 후자는 그냥 상수)&lt;/p&gt;
$$= E\Big[\,(f(S) - E(f(S))) \cdot E\big[T(X) - f(S) \,\big|\, S\big]\,\Big]$$&lt;p&gt;내부 조건부 기댓값을 분리하면&lt;/p&gt;
$$E\big[T(X) - f(S) \,\big|\, S\big] = E(T(X) \mid S) - E(f(S) \mid S) = f(S) - f(S) = 0$$&lt;p&gt;(첫 항은 $f(S)$ 의 정의 자체이고, 둘째 항은 $f(S)$ 가 $S$ 의 함수라 $E(f(S) \mid S) = f(S)$.)&lt;/p&gt;
&lt;p&gt;따라서 $(\star) = 0$.&lt;/p&gt;
&lt;h3 id="결론"&gt;결론&lt;/h3&gt;
$$\mathrm{Var}(T(X)) = E[T(X) - f(S)]^2 + \mathrm{Var}(f(S)) \;\ge\; \mathrm{Var}(f(S))$$&lt;p&gt;$E[T(X) - f(S)]^2 \ge 0$ 이므로&lt;/p&gt;
$$\mathrm{Var}(f(S)) \le \mathrm{Var}(T(X)) \qquad \blacksquare$$&lt;h2 id="한-줄-요약"&gt;한 줄 요약&lt;/h2&gt;
&lt;blockquote class="border-l-4 border-neutral-300 dark:border-neutral-600 pl-4 italic text-neutral-600 dark:text-neutral-400 my-6"&gt;
&lt;p&gt;&lt;strong&gt;충분통계량으로 조건부 기댓값을 취하면, 비편향성을 유지하면서 분산이 감소한다.&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;이 때문에 MVUE를 찾을 때는 어떤 비편향추정량을 가지고 시작하든 sufficient statistic으로 Rao–Blackwell화 (Rao–Blackwellize)하는 것이 유리하다. 단, 이렇게 얻은 $f(S)$ 가 &lt;strong&gt;유일한 MVUE&lt;/strong&gt;라고 결론지으려면 $S$ 의 &lt;strong&gt;완비성 (completeness)&lt;/strong&gt; 이 추가로 필요하며, 이것이 Lehmann–Scheffé 정리로 이어진다.&lt;/p&gt;
&lt;hr&gt;
&lt;blockquote class="border-l-4 border-neutral-300 dark:border-neutral-600 pl-4 italic text-neutral-600 dark:text-neutral-400 my-6"&gt;
&lt;p&gt;원문:
&lt;/p&gt;
&lt;/blockquote&gt;</description></item></channel></rss>