为什么在定义估计量或者是估计总体参数时，我们往往会对应地去作估计呢？例如，用样本均值估计总体均值，用样本比例估计总体比例，等等。一般而言，估计总体参数当然要用最好的估计量了，可是如何评判一个估计量的好坏呢？这里，我们总结了统计学家给出的评价估计量的主要标准。
1）无偏性（unbiasedness）
◎定义5.13：无偏性（unbiasedness）是指估计量抽样分布的均值与被估计的总体参数相等的这一性质。
这一性质意味着用来估计的样本统计量平均等于被估计的参数。例如，样本均值和样本比例分别是总体均值和总体比例的无偏估计量。图5.4给出了点估计量无偏和有偏的情形。
图5.4 无偏和有偏点估计量的示意图
仅仅估计量的均值与被估计参数相等是不够的，因为这样只能知道估计量的中心趋势值是参数，但是估计量与其中心趋势值之间的近似程度到底如何呢？我们有必要学习第二个评价标准。
2）有效性（efficiency）
有时对于被估计的总体参数我们可以找到不止一个估计量，假如每个估计量抽样分布的均值都等于被估计参数，应选择与被估计总体参数更接近差异程度更小的那个。估计量的方差可以帮助我们衡量估计量与估计量均值的离散程度。图5.5给出了估计量的相对有效性。
◎定义5.14：相对有效性指在满足无偏的多个估计量中，方差较小的估计量被称为针对被估计总体参数更有效的一个估计量。(www.xing528.com)
图5.5 估计量的相对有效性示意图
方差较小的估计量比其他估计量更接近其抽样分布的均值——被估计的总体参数。有效性的适用前提要求首先满足无偏性，否则没有可比性。估计量与参数的接近程度还与抽取的样本容量有关。
3）一致性（consistency）
◎定义5.15：一致性是指随着样本容量的增大，估计量越来越接近被估计的总体参数。
图5.6 估计量的一致性示意图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
