Nächste Seite: Beste lineare erwartungstreue Schätzer;
Aufwärts: Schätzung der Modellparameter
Vorherige Seite: Erwartungswertvektor und Kovarianzmatrix des
  Inhalt
Schätzbare Funktionen
- In Abschnitt 3.2.2 hatten wir gezeigt, dass es im
linearen Modell ohne Nebenbedingungen keinen erwartungstreuen
KQ-Schätzer für
gibt, wenn die Designmatrix
keinen vollen Rang besitzt.
- Anstelle des Vektors
betrachtet man deshalb eine Klasse
von (reellwertigen) linearen Funktionen
des
Parametervektors
, für die erwartungstreue KQ-Schätzer
konstruiert werden können.
- Mit anderen Worten: Anstelle der (vektoriellen)
Lineartransformation
der
Zufallsstichprobe
betrachtet man
eine Klasse von (reellwertigen) linearen Funktionen
von
, die als Schätzer von
aufgefasst werden.
- Dies führt zu der folgenden Begriffsbildung.
- Definition
-
- Beispiel
(einfaktorielle Varianzanalyse)
- Beispiel
(zweifaktorielle Varianzanalyse mit balancierten Teilstichproben)
Das folgende Hilfsergebnis, das eine Ergänzung von
Lemma 3.5 ist, benötigen wir, um zwei allgemeine
Kriterien für die erwartungstreue Schätzbarkeit von linearen
Funktionen
des Parametervektors
herzuleiten.
Lemma 3.6

Sei

eine verallgemeinerte Inverse von

. Dann gilt
 |
(45) |
- Beweis
In Lemma 3.5 hatten wir gezeigt, dass
- die transponierte Matrix
ebenfalls eine
verallgemeinerte Inverse von
ist und dass
.
- Damit gilt auch
.
- Hieraus ergibt sich (45) durch Vertauschen von
Spalten und Zeilen.
Theorem 3.9

Sei

ein beliebiger Vektor.
Die lineare Funktion

des Parametervektors

ist genau dann erwartungstreu schätzbar, wenn eine der
folgenden beiden Bedingungen erfüllt ist:
- 1.
- Es gibt ein
, so dass
 |
(46) |
- 2.
- Der Vektor
genügt dem folgenden Gleichungssystem:
 |
(47) |
- Beweis
-
- Beachte
-
- Wenn die Designmatrix
vollen Rang hat, d.h.
, dann ist die
Bedingung (47) offenbar für jedes
erfüllt.
- In diesem Fall ist somit jede lineare Funktion des
Parametervektors
erwartungstreu schätzbar, was bereits
in Theorem 2.2 gezeigt wurde.
Für den Fall, dass die Designmatrix
keinen vollen
Rang hat, zeigen wir,
- Beweis
-
Nächste Seite: Beste lineare erwartungstreue Schätzer;
Aufwärts: Schätzung der Modellparameter
Vorherige Seite: Erwartungswertvektor und Kovarianzmatrix des
  Inhalt
Hendrik Schmidt
2006-02-27