שאַצונג מעטאָדן אין סטאַטיסטיק

שאַצונג מעטאָדן אין סטאַטיסטיק

סטאַטיסטיק איז די וויסנשאַפט פון זאַמלען, אַנאַליזירן און אינטערפּרעטירן דאַטן, און איינער פון אירע עיקר קאָמפּאָנענטן איז שאַצונג. שאַצונג אין סטאַטיסטיק באַציט זיך צו דעם פּראָצעס פון באַשטימען דעם אַפּראָקסימאַטיוון ווערט פון אַ באַפעלקערונג פּאַראַמעטער באַזירט אויף אינפֿאָרמאַציע באַקומען פון אַ מוסטער. שאַצונג מעטאָדן קענען זיין קאַטעגאָריזירט אין צוויי הויפּט טייפּס: פּונקט שאַצונג און אינטערוואַל שאַצונג. אין דעם אַרטיקל וועלן מיר דיסקוטירן פאַרשידענע שאַצונג מעטאָדן וואָס ווערן אָפט געניצט אין סטאַטיסטיק.

גרונטלעכע פארשטאנד פון שאַצונג

איידער מיר גייען אריין אין די שאַצונג מעטאָדן, איז וויכטיק צו פֿאַרשטיין עטלעכע גרונטלעכע טערמינען:
– פּאַראַמעטערס: נומערישע כאַראַקטעריסטיקס פון אַ באַפעלקערונג. למשל, באַפעלקערונג דורכשניט (µ), באַפעלקערונג וואַריאַנס (σ²).
– סטאַטיסטיק: נומערישע כאַראַקטעריסטיקס פון אַ מוסטער. למשל, מוסטער דורכשניט (x̄), מוסטער וואַריאַנס (s²).

די הויפּט ציל פון שאַצונג איז צו מאַכן מסקנות וועגן באַפעלקערונג פּאַראַמעטערס באַזירט אויף מוסטער דאַטן. עס זענען צוויי הויפּט טייפּס פון שאַצונג אין סטאַטיסטיק:

1. פונקט שאצונג: גיט נאר איין ווערט אלס אן שאצונג פון דעם באפעלקערונג פאראמעטער.
2. אינטערוואַל עסטימאַציע: גיט אַ קייט פון ווערטן ווי אַ עסטימאַציע פון ​​אַ באַפעלקערונג פּאַראַמעטער, אַרייַנגערעכנט אַ געוויסן מדרגה פון בטחון.

פונקט עסטימאַציע מעטאָד

פונקט שאַצונג איז דער פּראָצעס פון צושטעלן אַן איינציקע נומער וואָס איז די בעסטע שאַצונג פון אַ באַפעלקערונג פּאַראַמעטער. עטלעכע אָפט געניצטע פונקט שאַצערס זענען:

1. דורכשניט (דורכשניט) פון מוסטער
דער פשוטסטער און מערסט געוויינטלעכער וועג צו שאצן דעם באפעלקערונג דורכשניט איז מיטן מוסטער דורכשניט, וואס ווערט אויסגערעכנט ווי:
[ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \]
וואו \(x_i \) איז יעדע אבזערוואציע אין דעם מוסטער און \(n \) איז די מוסטער גרייס.

2. מוסטער מעדיאַן
דער מוסטער מעדיאַן איז דער מיטלסטער ווערט פון די סאָרטירטע מוסטער דאַטן. עס איז אַ שטאַרקער עסטימאַטאָר ווייל עס ווערט נישט באַאיינפלוסט דורך אַויסנאַם-ווערטן.

3. מוסטער פּראָפּאָרציע
צו שאצן די באפעלקערונג פראפארציע, ווערט די מוסטער פראפארציע גענוצט, וואס ווערט אויסגערעכנט ווי:
[\hat{p} = \frac{x}{n} \]
וואו \(x \) איז די צאָל סוקסעסן אין דעם מוסטער און \(n \) איז די מוסטער גרייס.

אינטערוואַל עסטימאַציע מעטאָד

אינטערוואַל שאַצונגען צושטעלן אַ קייט פון ווערטן, וואָס מען ערוואַרטעט צו דעקן דעם פּאָפּולאַציע פּאַראַמעטער מיט אַ געוויסן מדרגה פון בטחון (למשל, 95%). אינטערוואַל שאַצונגען ווערן אָפט אויסגעדריקט אין דער פאָרעם פון אַ בטחון אינטערוואַל (CI).

1. צוטרוי אינטערוואַל פֿאַר באַפעלקערונג דורכשניט
אויב די מוסטער דאַטן קומען פון אַ נאָרמאַל פאַרשפּרייטונג אָדער \(n \) איז גרויס גענוג (CLT אַפּלייז), די קאָנפידענץ אינטערוואַל פֿאַר די באַפעלקערונג דורכשניט \(\mu \) איז:
[\bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \]
די מאנא:
– \( \bar{x} \) איז דער דורכשניט פון דער מוסטער
– \( z_{\alpha/2} \) איז דער ז-ווערט פון דער נאָרמאַלער נאָרמאַלער פאַרשפּרייטונג וואָס קאָרעספּאָנדירט צום קאָנפידענץ לעוועל (למשל, 1.96 פֿאַר 95%)
– \( \sigma \) איז די סטאַנדאַרט דעוויִאַציע פֿון דער פּאָפּולאַציע. אויב \( \sigma \) איז אומבאַקאַנט, ווערט \(s \) (די סטאַנדאַרט דעוויִאַציע פֿון דער מוסטער) גענוצט.
– \(n \) איז די מוסטער גרייס.

2. צוטרוי אינטערוואַל פֿאַר באַפעלקערונג פּראָפּאָרציע
צו שאצן די באפעלקערונג פראפארציע \(p \):
\[ \האַט{p} \pm z_{\alpha/2} \sqrt{\frac{\האַט{p}(1-\האַט{p})}{n}} \]
וואו \( \hat{p} \) איז די מוסטער פּראָפּאָרציע און אַנדערע פּאַראַמעטערס ווי פריער באַשריבן.

אַנדערע שאַצונג מעטאָדן

1. מאַקסימום ליקעליהאָאָד (ML) מעטאָד

די מאַקסימום ליקעליהאָאָד מעטאָדע איז אַ טעכניק געניצט צו געפֿינען דעם בעסטן עסטימאַטאָר פֿאַר אַ פּאָפּולאַציע פּאַראַמעטער _( θ)_ דורך מאַקסאַמיזירן די ליקעליהאָאָד פונקציע _( L(θ)_). די ליקעליהאָאָד פונקציע איז די וואַרשיינלעכקייט צו באַקומען די באַאָבאַכטע דאַטן געגעבן דעם פּאַראַמעטער _( θ):
\[ L(θ|x) = \prod_{i=1}^{n} f(x_i|θ) \]
וואו \(f(x_i|θ) \) איז די ליקעליהאָאָד געדיכטקייט פונקציע (PDF) פון די דאַטן. דער עסטימאַטאָר וואָס מאַקסאַמייזיז \(L(θ) \) ווערט גערופן דער מאַקסימום ליקעליהאָאָד עסטימאַטאָר (MLE).

2. בייעסיאַנישע עסטימאַציע מעטאָדע
דער בייעסישער צוגאַנג באַהאַנדלט פּאַראַמעטערס ווי ראַנדאָם וועריאַבאַלן און ניצט וואַרשיינלעכקייט פאַרשפּרייטונגען צו אָפּשאַצן פּאַראַמעטערס. לויט בייס'ס טעאָרעם:
[P(θ|x) = \frac{P(x|θ) P(θ)}{P(x)}]
וואו \(P(θ|x) \) איז די פּאָסטעריאָרע פֿאַרטיילונג, \(P(x|θ) \) איז די ליקעליהאָאָד, \(P(θ) \) איז דער פּריאָר, און \(P(x) \) איז די ליקעליהאָאָד מאַרדזשין. בייעסישע עסטימאַטאָרן זענען צו אָפענגיק אויף די פּריאָרן געניצט.

עסטימאַטאָר עוואַלואַציע

כדי צו אפשאצן א פונקט שאצער, מוזן מיר אויספארשן זיינע אייגנשאפטן:
– גערעכטיקייט/פאַרזײַטיקונג: דער שאַצער \( \hat{\theta} \) ווערט געזאָגט צו זײַן אומפאַרזײַטיק אויב \( E[\hat{\theta}] = \theta \).
– עפעקטיווקייט: אן עפעקטיווער עסטימאַטאָר האט די קלענסטע וואַריאַנס צווישן אַלע אומפּאַרטייישע עסטימאַטאָרן.
– קאָנסיסטענץ: מען זאָגט, אַז אַן עסטימאַטאָר איז קאָנסיסטענט אויב \( \hat{\theta} \) דערנענטערט זיך צו \( \theta \) ווען די מוסטער גרייס \(n \) וואַקסט.

אַפּליקאַציע ביישפילן

1. דורכשניטלעכע איינקונפט שאצונג
אין עקאָנאָמישער פאָרשונג, ווערט אָפט געטאָן שאַצן דעם דורכשניטלעכן איינקונפט פון אַ באַפעלקערונג. פאָרשער נעמען אַ מוסטער פון דער באַפעלקערונג און רעכענען דעם מוסטער דורכשניט ווי אַ פּונקט שאַצער, און צושטעלן אַ קאָנפידענץ אינטערוואַל צו אילוסטרירן די אומזיכערקייט פון דעם שאַצונג.

2. שאצונג פון פראפארציע פון ​​וויילער
אין אַן עלעקשאן-אנקעטע, קען אַ פאָרשער וועלן אָפּשאַצן דעם פּראָצענט פון וויילער וואָס שטיצן אַ באַזונדערן קאַנדידאַט. די מוסטער פּראָפּאָרציע \( \hat{p} \) פון ענטפֿערער וואָס שטיצן יענעם קאַנדידאַט ווערט גענוצט ווי אַ פּונקט-שאַצער. אַ קאָנפֿידענץ-אינטערוואַל קען ווערן געגעבן צו ווײַזן דעם גרענעץ פון טעות.

קעסימפּולאַן

שאַצונג מעטאָדן שפּילן אַ צענטראַלע ראָלע אין סטאַטיסטיק ווײַל זיי לאָזן פֿאָרשער מאַכן מסקנות וועגן פּאָפּולאַציעס באַזירט אויף מוסטער דאַטן. פּונקט און אינטערוואַל שאַצונג מעטאָדן צושטעלן שטאַרקע מכשירים פֿאַר דעם, מיט טעקניקס ווי מאַקסימום ליקעליהאָאָד און בייעסיאַן שאַצונג וואָס גייען טיפֿער אין די קאָמפּלעקסיטעטן פון די דאַטן. ניצן יושרדיקע, עפֿעקטיווע און קאָנסיסטענטע שאַצערס גאַראַנטירט פאַרלאָזלעכע און פּינקטלעכע דאַטן אַנאַליז רעזולטאַטן, וואָס פֿאַרלייכטערט בעסערע באַשלוס-מאכן אין פֿעלדער ווי עקאָנאָמיק, געזעלשאַפֿטלעכע וויסנשאַפֿטן, געזונט און מער.