Nächste Seite: Normalverteilte Störgrößen
Aufwärts: Schätzung der Modellparameter
Vorherige Seite: Schätzbare Funktionen
  Inhalt
Beste lineare erwartungstreue Schätzer; Gauß-Markow-Theorem
- In diesem Abschnitt zeigen wir, wie BLUE-Schätzer für schätzbare
Funktionen des Parametervektors
konstruiert werden
können.
- 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-Markow-Theorem genannt.
- Beweis
-
- Wir zeigen zuerst, dass
ein linearer
erwartungstreuer Schätzer für
ist.
- Es ist klar, dass
eine lineare Funktion der Zufallsstichprobe
ist.
- Weil vorausgesetzt wird, dass
eine schätzbare
Funktion des Parametervektors
ist, folgt aus
Theorem 3.9, dass es ein
gibt, so
dass
 |
(51) |
- Somit gilt für jedes
, dass
wobei sich die vorletzte Gleichheit aus Lemma 3.6
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 in Theorem 3.7 gezeigt, dass
- Hieraus folgt, dass
wobei sich die vorletzte Gleichheit aus (51) und
die letzte Gleichheit aus Lemma 3.5 ergibt.
- Die erneute Anwendung von (51) liefert die
Varianzformel (50).
- Es ist noch zu zeigen, dass der Schätzer
die kleinste Varianz in der Klasse
aller linearen erwartungstreuen Schätzer für
hat.
- Sei
, so dass
ein linearer
erwartungstreuer Schätzer für
ist. Dann gilt
und somit auch
 |
(52) |
- Für die Kovarianz von
und
gilt
wobei sich die letzte Gleichheit aus (52) ergibt.
- Hieraus und aus der Varianzformel (50) folgt, dass
- Beachte
-
- Im Beweis von Theorem 3.11 wurde nirgendwo explizit
genutzt, dass
.
- Mit anderen Worten: Wenn 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 3.11 betrachtete BLUE-Schätzer
nicht von der spezifischen
Wahl von
abhängt.
Lemma 3.7

Seien

und

beliebige verallgemeinerte Inverse der Matrix

.
Dann gilt
 |
(53) |
- Beweis
-
Mit Hilfe von Lemma 3.7 kann nun die oben erwähnte
Invarianzeigenschaft des in Theorem 3.11 betrachteten
BLUE-Schätzers
bewiesen werden.
Theorem 3.12

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)
Nächste Seite: Normalverteilte Störgrößen
Aufwärts: Schätzung der Modellparameter
Vorherige Seite: Schätzbare Funktionen
  Inhalt
Hendrik Schmidt
2006-02-27