现实中常常有这样的问题，比如，想知道全体女性的身高均值，但是没有办法把每个女性都进行测量，只有抽样一些女性来估计全体女性的身高：
那么根据抽样数据怎么进行推断？什么样的推断方法可以称为“好”？
1 无偏性
比如说我们采样到的女性身高分别为：
那么：
是对不错的一个估计，为什么？因为它是无偏估计。
首先，真正的全体女性的身高均值，我们是不知道，只有上帝才知道，在图中就画为虚线：
我们通过采样计算出：
会发现，不同采样得到的是围绕左右波动的：
这有点像打靶，只要命中在靶心周围，还算不错的成绩：
如果用以下式子去估计方差：
根据“为什么样本方差的分母是 n-1？”的解释，就会产生偏差：
这个偏差经过计算，就是：
这种偏差就好像瞄准镜歪了，是系统性的：
就此而言，无偏估计要好于有偏估计。
2 有效性
打靶的时候，右边的成绩肯定更优秀：
进行估计的时候也是，估计量越靠近目标，效果越“好”。这个“靠近”可以用方差来衡量。
比如，仍然对进行估计，方差越小，估计量的分布越接近：
有效估计和无偏估计是不相关的：
举个例子，从中抽出10个样本：
下面两个都是无偏估计量：
但是后者比前者方差小，后者更有效。
并且在现实中不一定非要选无偏估计量，比如：
如果能接受点误差，我倒觉得选择右边这个估计量更好。
3 一致性
之前说了，如果用以下式子去估计方差：
会有一个偏差：
可以看到，随着采样个数的增加，这个偏差会越来越小。那么这个估计就是“一致”的。
如果样本数够多，其实这种有偏但是一致的估计量也是可以选的。
4 总结
判断一个估计量“好坏”，至少可以从以下三个方面来考虑：
无偏
有效
一致
实际操作中，要找到满足三个方面的量有时候并不容易，可以根据情况进行取舍。
文章的最新版本在（可能会有后续更新）：如何理解无偏估计量？
如果觉得《如何理解无偏估计量？》对你有帮助，请点赞、收藏，并留下你的观点哦！
