Next: Normalverteilte Störgrößen
Up: Schätzung der Modellparameter
Previous: Schätzbare Funktionen
  Contents
Beste lineare erwartungstreue Schätzer; Gauß-Markov-Theorem
- Wir zeigen nun, wie BLUE-Schätzer für schätzbare Funktionen des
Parametervektors
konstruiert werden können, wobei wir
ähnlich wie in Theorem 4.4 vorgehen.
- Zur Erinnerung: Ein linearer erwartungstreuer Schätzer wird
BLUE-Schätzer genannt, wenn es keinen linearen erwartungstreuen
Schätzer gibt, dessen Varianz kleiner ist (BLUE = best linear
unbiased estimator).
- In der Theorie linearer Modelle wird das folgende Resultat das
Gauß-Markov-Theorem genannt.
- Beweis
-
- Es ist klar, daß
eine lineare Funktion der Zufallsstichprobe
ist.
- Weil vorausgesetzt wird, daß
eine schätzbare
Funktion des Parametervektors
ist, folgt aus
Theorem 4.6, daß es einen
-dimensionalen Vektor
gibt, so daß
 |
(43) |
- Somit gilt
für jedes
, wobei sich die vorletzte Gleichheit
aus (39) ergibt.
- Damit ist gezeigt, daß
ein linearer
erwartungstreuer Schätzer für
ist.
- Aus den Rechenregeln für die Varianz (vgl. Theorem WR-4.13) ergibt
sich, daß
- Außerdem hatten wir im Beweis von Theorem 4.5
gezeigt, daß
- Hieraus folgt, daß
wobei sich die vorletzte Gleichheit aus (43) und
die letzte Gleichheit aus Lemma 4.3 ergibt.
- Die erneute Anwendung von (43) liefert die
Varianzformel (42).
- Es ist nun noch zu zeigen, daß der Schätzer
die kleinste Varianz in der Klasse
aller linearen erwartungstreuen Schätzer für
hat.
- Sei
ein
-dimensionaler Vektor, so daß
ein linearer erwartungstreuer Schätzer für
ist. Dann gilt
für jedes
, und somit auch
 |
(44) |
- Für die Kovarianz von
und
gilt
wobei sich die letzte Gleichheit aus (44) ergibt.
- Hieraus und aus (42) folgt, daß
- Beachte
-
- Im Beweis von Theorem 4.8 wurde nirgendwo explizit
genutzt, daß
.
- Mit anderen Worten: Falls die Designmatrix
vollen Rang
hat, d.h.
, dann ist
für jeden
-dimensionalen Vektor
erwartungstreu schätzbar, und
ist ein BLUE-Schätzer für
.
Aus der folgenden Invarianzeigenschaft der verallgemeinerten
Inversen
von
ergibt sich,
daß der in Theorem 4.8 betrachtete BLUE-Schätzer
nicht von der spezifischen
Wahl von
abhängt.
Lemma 4.6

Seien

und

beliebige verallgemeinerte Inverse der Matrix

.
Dann gilt
 |
(45) |
- Beweis
-
Mit Hilfe von Lemma 4.6 kann nun die obenerwähnte
Invarianzeigenschaft des in Theorem 4.8 betrachteten
BLUE-Schätzers
bewiesen werden.
Theorem 4.9

Sei

eine schätzbare Funktion des
Parametervektors

. Dann hängt der BLUE-Schätzer

nicht von der Wahl der verallgemeinerten Inversen

ab.
- Beweis
-
- Beispiel
(einfaktorielle Varianzanalyse)
- Beispiel
(zweifaktorielle Varianzanalyse mit balancierten Teilstichproben)
Next: Normalverteilte Störgrößen
Up: Schätzung der Modellparameter
Previous: Schätzbare Funktionen
  Contents
Ursa Pantle
2003-03-10