如何理解抽样估计中的无偏性，有效性和一致性

无偏性（Unbiasedness）是指单凭某一次抽样的样本是不具有说服力的，必须要通过很多次抽样的样本来衡量。因此，我们容易能想到的就是，经过多次抽样后，将所有的点估计值平均起来，也就是取期望值，这个期望值应该和总体参数一样。这就是所谓的无偏性（Unbiasedness）。

有效性（Efficiency）是指，对同一总体参数，如果有多个无偏估计量，那么标准差小的估计量更有效。因为一个无偏的估计量并不意味着它就非常接近被估计的参数，它还必须和总体参数的离散程度比较小。

一致性（Consistency）是指随着样本量的增大，点估计的值越来越接近被估计的总体的参数。因为随着样本量增大，样本无限接近总体，那么，点估计的值也就随之无限接近总体参数的值。

扩展资料：

抽样估计有点估计和区间估计两种方法。

点估计，又称定值估计，就是用实际样本指标数值作为总体参数的估计值。点估计的方法简单，一般不考虑抽样误差和可靠程度，它适用于对推断准确程度与可靠程度要求不高的情况。

区间估计就是根据样本指标、抽样误差和概率保证程度去推断总体参数的可能范围。在统计实践中，通常用一个区间及其出现的概率来估计总体参数，并以一定的概率保证总体参数包含在估计区间内，这就是参数的区间估计问题。

相合估计（或一致估计）是简述评价估计量好坏的标准。在样本量不是很多时，人们更加倾向于基于小样本的评价标准，此时，对无偏估计使用方差，对有偏估计使用均方误差。

一般地，在样本量一定时，评价一个点估计的好坏标准使用的指标总是点估计与参数真值 θ 的距离的函数。

扩展资料

当样本容量n充分大时，估计量可以以任意的精确程度逼近被估计参数的真值。按收敛意义不同，可以区分不同的相合性。

一个估计量它依赖于样本n，为表明这种依赖性。随着样本量的变化，可得到一列估计量，一个自然的希望是，当样本容量无线增加时，估计量能够依某种意义接近于被估计量的真值。

组成部分,点估计的常见方法有矩估计和极大似然估计,衡量一个点估计量的好坏的标准有很多,比较常见的有:无偏性(Unbiasedness)、有效性(Efficiency)和一致性