Estymatory maksymalnego prawdopodobieństwa (MLE) są asymptotycznie skuteczne; widzimy praktyczny wynik w tym, że często wypadają lepiej niż szacunki metodą momentów (MoM) (gdy się różnią), nawet przy małych próbkach
Tutaj „lepsze niż” oznacza w tym sensie, że zazwyczaj ma mniejszą wariancję, gdy oba są obiektywne, i zazwyczaj mniejszy średni błąd kwadratowy (MSE) bardziej ogólnie.
Powstaje jednak pytanie:
Czy istnieją przypadki, w których MoM może pokonać MLE - na przykład w MSE - w małych próbkach?
(gdy nie jest to jakaś dziwna / zdegenerowana sytuacja - tj. biorąc pod uwagę, że warunki istnienia / utrzymywania ML są asymptotycznie skuteczne)
Kolejne pytanie brzmiałoby: „jak duży może być mały?” - to znaczy, jeśli istnieją przykłady, czy istnieją takie, które nadal zachowują względnie duże rozmiary próbek, być może nawet wszystkie skończone rozmiary próbek?
[Mogę znaleźć przykład stronniczego estymatora, który może pokonać ML w skończonych próbkach, ale to nie jest MoM.]
Uwaga dodana z mocą wsteczną: w tym miejscu skupiam się głównie na przypadku jednowymiarowym (z którego właśnie pochodzi moja podstawowa ciekawość). Nie chcę wykluczyć przypadków wielowymiarowych, ale nie chcę też szczególnie angażować się w dłuższe dyskusje na temat oszacowań Jamesa-Steina.