统计第3讲：点估计 | Point Estimation · 量化课程

基本概念#

总体参数与样本统计量#

设总体 $N$ 中变量 $v$ 的：

\mu = \frac{1}{N}\sum_{i=1}^N v_i \quad (\text{总体均值}) \\ \sigma^2 = \frac{1}{N}\sum_{i=1}^N (v_i - \mu)^2 \quad (\text{总体方差})

参数(Parameters) $\mu$ , $\sigma^2$ 是未知常数
简单随机样本(Simple Random Sample)用于估计参数：从总体中不放回随机抽取个体

二元变量特例：

当变量 $v$ 是二元变量（取0/1值），设总体比例为 $p$ ，则有：

\mu = p,\quad \sigma^2 = p(1-p)

抽样分布特性#

单次抽样：

设 $X$ 为抽取的观测值，则：

E(X) = \mu,\quad \text{var}(X) = \sigma^2

有放回抽样：

对容量 $n$ 的样本 $X_1,...,X_n$ ：

\text{样本均值} \ \overline{X} = \frac{1}{n}\sum_{i=1}^n X_i \\ E(\overline{X}) = \mu,\quad \text{var}(\overline{X}) = \frac{\sigma^2}{n}

实例分析：

从股票收益率总体中抽取10天收益率数据（单位：%）： 0.8, 1.2, -0.5, 2.1, 1.5, 0.3, -0.2, 1.8, 0.9, 1.1

样本均值计算：

\overline{x} = \frac{1}{10}(0.8+1.2+\cdots+1.1) = 0.9\%

学习建议：

理解iid（独立同分布）假设的重要性
练习计算不同样本量的均值方差

标准误与估计精度#

标准误理论#

标准误(Standard Error)衡量估计量精度：

SE = \sqrt{\text{var}(\overline{X})} = \frac{\sigma}{\sqrt{n}}

实际应用：

使用样本标准差 $s$ 估计 $\sigma$ ：

\text{估计标准误} = \frac{s}{\sqrt{n}} \\ \text{其中} \ s^2 = \frac{1}{n-1}\sum_{i=1}^n (x_i - \overline{x})^2

案例演示：

前述股票收益率样本的标准差计算：

s = \sqrt{\frac{\sum (x_i-0.9)^2}{9}} \approx 1.12\% \\ SE \approx \frac{1.12\%}{\sqrt{10}} \approx 0.35\%

无偏性验证#

关键定理：

样本方差 $S^2$ 是 $\sigma^2$ 的无偏估计：

E(S^2) = \sigma^2

证明推导：

\begin{align*} E\left(\sum (X_i - \overline{X})^2\right) &= E\left(\sum X_i^2 - n\overline{X}^2\right) \\ &= n(\sigma^2 + \mu^2) - n\left(\frac{\sigma^2}{n} + \mu^2\right) \\ &= (n-1)\sigma^2 \end{align*}

学习建议：

掌握期望运算的线性性质
理解自由度( $n-1$ )的统计含义

比例估计专题#

二元变量情形#

当研究二元变量（如客户是否购买产品），设总体比例为 $p$ ：

\hat{p} = \frac{\text{样本中成功数}}{n} \\ SE = \sqrt{\frac{p(1-p)}{n}} \approx \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}

应用案例：

调查400名客户，112人表示会购买新产品：

\hat{p} = \frac{112}{400} = 0.28 \\ SE \approx \sqrt{\frac{0.28×0.72}{400}} \approx 0.022

置信区间构建：

$0.28 \pm 1.96×0.022 \Rightarrow (0.237, 0.323)$

抽样方法进阶#

有限总体修正#

当抽样比例 $n/N > 5\%$ 时，需应用修正因子：

\text{修正标准误} = \sqrt{\frac{N-n}{N-1}} × \frac{\sigma}{\sqrt{n}}

银行账户案例：

从10,000个账户中抽取500个：

$\text{修正因子} = \sqrt{\frac{9500}{9999}} \approx 0.975$

学习建议：

区分有限总体与无限总体的差异
掌握修正因子的应用条件

高斯模型框架#

统计建模基础#

假设观测值 $x_i$ 来自：

X_i \sim \text{iid} \ N(w, \sigma^2) \\ \overline{X} \sim N\left(w, \frac{\sigma^2}{n}\right)

参数解读：

$w$ ：总体均值（待估参数）
$\sigma^2$ ：总体方差（未知常数）

金融应用：

用于建模资产收益率分布，为风险管理提供理论基础