Чем отличается теоретические вероятностные характеристики от статистических оценок. 
Как устранять автокорреляцию и гетероскедастичность

1. Чем отличается теоретические вероятностные характеристики от статистических оценок

Теория вероятностей позволяет по одним вероятностям рассчитать другие, интересующие исследователя. Например, по вероятности выпадения герба можно рассчитать вероятность того, что при 10 бросаниях монет выпадет не менее 3 гербов. Подобный расчет опирается на вероятностную модель, согласно которой бросания монет описываются схемой независимых испытаний, кроме того, выпадения герба и решетки равновозможны, а потому вероятность каждого из этих событий равна ½. Более сложной является модель, в которой вместо бросания монеты рассматривается проверка качества единицы продукции. Соответствующая вероятностная модель опирается на предположение о том, что контроль качества различных единиц продукции описывается схемой независимых испытаний. В отличие от модели с бросанием монет необходимо ввести новый параметр — вероятность того, что единица продукции является дефектной. Модель будет полностью описана, если принять, что все единицы продукции имеют одинаковую вероятность оказаться дефектными. Если последнее предположение неверно, то число параметров модели возрастает. Например, можно принять, что каждая единица продукции имеет свою вероятность оказаться дефектной.

Статистические оценки, функции от результатов наблюдений, употребляемые для статистического оценивания неизвестных параметров распределения вероятностей изучаемых случайных величин. Например, если X1,…, Xn — независимые случайные величины, имеющие одно и то же нормальное распределение с неизвестным средним значением а, то функции — среднее арифметическое результатов наблюдений

и выборочная медиана m = m (X1,…, Xn) являются возможными точечными статистическими оценками неизвестного параметра а. В качестве статистических оценок какого-либо параметра q естественно выбрать функцию q*(X1,…, Xn) от результатов наблюдений X1,…, Xn, в некотором смысле близкую к истинному значению параметра. Принимая какую-либо меру «близости» статистических оценок к значению оцениваемого параметра, можно сравнивать различные оценки по качеству. Обычно мерой близости оценки к истинному значению параметра служит величина среднего значения квадрата ошибки

(выражающаяся через математическое ожидание оценки E0q* и её дисперсию D0q*). В классе всех несмещённых оценок (для которых E0q* = 0) наилучшими с этой точки зрения будут оценки, имеющие при заданном n минимальную возможную дисперсию при всех q. Указанная выше оценка Х для параметра, а нормального распределения является наилучшей несмещенной оценкой, поскольку дисперсия любой другой несмещенной оценки а* параметра, а удовлетворяет неравенству, где s2 — дисперсия нормального распределения.