详细内容或原文请订阅后点击阅览
斯坦因悖论 — 关于精确性和公正性的教训
在统计理论中，估计量的两个最基本的属性是无偏性和效率（精度）。无偏性意味着估计量的期望值等于真实总体参数。相反，精度是指估计量的方差，它衡量个体估计值围绕其均值的分散程度。一个常见的误解认为理想的估计器 [...]
来源:Lars P Syll斯坦因悖论 — 关于精确性和公正性的教训
在统计理论中，估计量的两个最基本的属性是无偏性和效率（精度）。无偏性意味着估计量的期望值等于真实总体参数。相反，精度是指估计量的方差，它衡量个体估计值围绕其均值的分散程度。
一个常见的误解认为理想的估计器必须同时表现出这两个属性。然而，这种假设是错误的。估计器可能是无偏的但极其不精确，或者高度精确但有很大的偏差。这种区别构成了现代决策理论中最违反直觉的结果之一——斯坦因悖论的概念基础。
可以通过熟悉的启发式来说明这种区别。考虑一名飞镖运动员向飞镖靶投掷飞镖。如果飞镖形成一个紧密的簇，始终向靶心左上角移动 5 厘米，则投掷是精确的（低方差）但有偏差（非零预期损失）。相反，如果飞镖广泛分散在棋盘上，但其质心与靶心重合，则玩家是无偏的（零平均误差）但不精确（高方差）。从统计角度来看，第一个玩家表现出低方差但高偏差，而第二个玩家表现出零偏差但高方差。这两种情况都是不可取的，但它们说明公正性和精确性解决了根本不同的问题。无偏性涉及采样分布的位置，而精确性涉及采样分布的分散性。
在通过均方误差 (MSE) 的角度评估估计器质量时，这种分歧具有理论意义，通常分解为