枢轴量

定义

枢轴量(Pivotal quantity)又称枢轴变量或简称枢轴,指样本 X 与未知参数 θ 的一个函数 Q(X,θ),其概率分布不随 θ 取值的变化而改变。也就是说,对任意集合 A,概率 Pθ(Q(X,θ)∈A) 都与 θ 无关。这一分布必须不含任何未知参数,但函数本身及其取值可以依赖参数,因此枢轴量未必是统计量;若它恰好只依赖样本,则称为辅助统计量。^[1][2]

用更一般的话说,只要数据分布属于所考虑的统计模型,枢轴量的分布就不依赖于该分布的具体形式。在参数模型中这意味着分布与模型参数无关,在非参数模型中则需要这种更宽泛的表述。若某个枢轴量只涉及一个参数,并且其抽样分布已知,就可以用它为该参数构造置信区间。^[3]

注意枢轴量与 统计量 的区别:统计量只由样本决定,而枢轴量的表达式里出现未知参数,所以通常无法直接算出它的数值,只能借助其已知的分布去反推参数的取值范围。^[4]

原理

枢轴量之所以有用,关键在于它的分布已知且不含未知参数,于是在给定置信水平后,可以查表或调用程序得到两个临界常数 c1 与 c2,使概率 P(c1 ≤ R(X,θ) ≤ c2) 等于所需的置信水平,而这些常数与 θ 无关。再由不等式等价变形解出 θ,便得到置信集 {θ: c1 ≤ R(X,θ) ≤ c2}。^[5][6]

构造枢轴量对位置参数和尺度参数相对容易:位置参数通过作差消去,尺度参数通过作比消去。一般地,若总体的密度函数属于位置-尺度族,则 X̄-μ、X̄/σ、S²/σ²、X(n)/σ 以及 (X̄-μ)/S 等都可以作枢轴量,具体选哪一个取决于关心的参数是什么。例如 (X̄-μ)/σ 适合同时给出 μ 与 σ 的二维置信集,而要单独为 μ 作区间估计,应改用 (X̄-μ)/S。^[1][7]

常见枢轴量的分布多为单峰分布,如标准正态分布、t 分布、卡方分布、F 分布、伽玛分布和对数正态分布。当分布对称时可取对称的临界值 c2=-c1;当分布不对称时,通常取左右两尾概率各为 α/2 的「等尾」临界值。有中文教材把这一整套步骤称为枢轴量法,并指出其中最关键的一步就是找出合适的枢轴量。^[4][8]

flowchart LR

A[从参数 θ 的点估计出发] --> B[构造含 θ 的函数 G]

B --> C{检验 G 的分布是否与 θ 无关}

C -- 是 --> D[取临界值 c1 c2 使 P c1≤G≤c2 = 1-α]

D --> E[对不等式等价变形解出 θ]

E --> F[得到置信区间 L U]

C -- 否 --> B

发展历程

枢轴量的思想与区间估计方法的发展相伴而生。在经典抽样理论中,它被用来把点估计的分布信息转化为参数的区间估计,并逐步成为数理统计教学的固定内容。中国多部数理统计教材,如茆诗松等编著的《数理统计学》,都在「区间估计」一章中专门设置枢轴量法的步骤讲解。^[8]

在后续研究中,学者的关注点转向枢轴量的选取与置信区间性质。由于枢轴量的选择并不唯一,近年有工作讨论单样本、两样本、样本均值、样本中位数等不同构造方式,并比较由此得到区间估计的精度差异。另有研究针对正态总体方差等参数的区间估计,比较不同枢轴量在区间精度标准下的优劣,并用随机模拟和实例加以验证。^[9][10]

围绕最短置信区间也有系统结论。对枢轴量服从单峰分布的情形,有研究证明最短置信区间存在且唯一,并给出求解条件;对于正态分布、t 分布、卡方分布、F 分布、伽玛分布和对数正态分布等常见情形,最短区间对应于置信区间端点密度函数值「等高」的条件,优于传统的等尾方法。相关结论还被推广到二维情形。^[11]

此外,充分统计量在构造枢轴量时的作用得到讨论,Lehmann-Sheffé 定理为此提供了理论依据;另有学者提出 VDR 原则,把它视为等尾概率原则的推广,认为枢轴量法适用于一维参数,并非任何参数分布族都存在枢轴量。^[11][12]

应用

枢轴量最直接的应用是构造置信区间。以正态总体为例,当均值 μ 与方差 σ² 均未知时,取 t 型枢轴量 √n(X̄-μ)/S,其中 S 为样本标准差,该量服从自由度为 n-1 的 t 分布,由此解出 μ 的置信区间。这一结果正是常见的 t 置信区间。^[6][7]

对指数分布样本,λX̄n 服从形状与率参数均为 n 的伽玛分布,于是 2nλX̄n 服从自由度为 2n 的卡方分布,可用作枢轴量来估计率参数 λ。均匀分布 U(0,θ) 中,样本最大值与 θ 之比也是一个枢轴量,其分布为 Be(n,1),可据此给出 θ 的区间估计。^[4][7]

除区间估计外,枢轴量还是构造检验统计量的基础,它使统计量不依赖未知参数,例如方差与均值均未知的正态分布下的学生 t 统计量。枢轴量也用于数据标准化,使来自不同数据集的数据可以相互比较,并可用于改进自助法(bootstrap)的表现;以辅助统计量的形式出现时,还能用来构造频率学派的预测区间。^[1]

当模型中没有现成的枢轴量时,可以退而使用渐近枢轴量,即随样本量增大依分布收敛到标准正态分布的函数,从而得到近似的置信区间。这类大样本近似的枢轴量法在样本量较大时仍然可用。^[3]

局限

枢轴量法有明显的局限。其一,如何寻找枢轴量并没有统一的方法;其二,由枢轴量法得到的置信区间具有何种优良性质,也缺乏一般性的结论,因此实际使用中往往需要具体问题具体分析。^[13]

枢轴量的选择通常并不唯一,不同选择会得到宽度不同的置信区间,精度的比较必须借助计算或模拟。当枢轴量的分布不对称时,不存在对称临界值,负的临界值对恒正的枢轴量也没有意义,此时只能采用等尾临界值这类约定做法;而等尾方式给出的区间通常并非最窄。^[10][6]

枢轴量法也并非普遍适用。它主要用于一维参数的情形,并非任何参数分布族都能找到枢轴量;对于同时包含多个未知参数的模型,枢轴量的选取会更加困难,某些经典问题至今没有公认的最优解法。^[12]

参见

• 置信区间 —— 枢轴量最主要的应用对象,由枢轴量的分布反解得到。

• 假设检验 —— 枢轴量也可用于构造不依赖未知参数的检验统计量。

• 统计量 —— 只由样本决定的概念,枢轴量与之不同,可以依赖未知参数。

• t 分布 —— 正态总体均值区间估计中 t 型枢轴量所服从的分布。

• 卡方分布 —— 正态总体方差及指数分布参数区间估计中枢轴量所服从的分布。

• 自助法 —— 使用枢轴量可改善其表现的再抽样方法。