在统计学中，点估计（英语：point estimation）是指以样本数据来估计总体参数， 估计结果使用一个点的数值表示“最佳估计值”，因此称为点估计。由样本数据估计总体分布所含未知参数的真实值，所得到的值，称为估计值。
点估计可以与区间估计形成对比：这种区间估计通常是在频率论推断的情况下的置信区间 ，或在贝叶斯推断的情况下的可信区间 。
估计法
目前有多种估计法可供选择，每种估计法都有不同属性。
最小方差均值无偏估计 （MVUE），能够使平方误差
损失函数的
风险 （预期损失）最小化。
最佳线性无偏估计 （BLUE）
最小均方误差 （MMSE）
中值无偏估计 ，能够使绝对误差损失函数的风险最小化
最大似然估计 （MLE）
矩估计和广义矩估计
贝叶斯点估计
贝叶斯推断通常基于后验分布 。 许多贝叶斯估计量是后验分布的集中趋势统计量，例如，它的均值，中位数或模式：
后均值 ，最小化平方误差
损失函数的（后验）
风险 （预期损失）;在贝叶斯估计中，风险是根据高斯观察到的后验分布来定义的。
[1]
后验中位数 ，最小化绝对值损失函数的后验风险，如拉普拉斯所观察到的。
[1] [2]
最大后验 （ MAP ），其发现最大的后验分布;对于统一的先验概率，MAP估计量与最大似然估计一致;
MAP估计具有良好的渐近性质，对于许多复杂问题，最大似然估计也存在局限性。 对于最大似然估计符合一致性的常规问题，最大似然估计的最终结果与MAP估计一致。 [3] [4] [5] 根据瓦尔德定理，贝叶斯估计是可以接受的。 [4] [6]
最小消息长度 （ MML ）点估计基于贝叶斯信息理论 ，并不与后验分布直接相关。
贝叶斯滤波器存在以下特殊情况：
卡尔曼滤波器
维纳过滤器
以下几种计算统计迭代法与贝叶斯分析有密切联系：
粒子滤波器
马尔可夫链蒙特卡洛 （MCMC）
点估计的属性
估计量的偏差
Rao-Cramér界
参见
预测推断
归纳（哲学）
统计哲学
算法推断
参考文献
^ 1.0 1.1 Dodge, Yadolah (编). Statistical data analysis based on the L1-norm and related methods: Papers from the First International Conference held at Neuchâtel, August 31–September 4, 1987. Amsterdam: North-Holland Publishing Co. 1987.
^ Jaynes, E.T. Probability theory : the logic of science 5. print. Cambridge [u.a.]: Cambridge Univ. Press. 2007: 172. ISBN 978-0-521-59271-0.
^ Ferguson, Thomas S. A course in large sample theory. Chapman & Hall. 1996. ISBN 0-412-04371-8.
^ 4.0 4.1 Le Cam, Lucien. Asymptotic methods in statistical decision theory. Springer-Verlag. 1986. ISBN 0-387-96307-3.
^ Ferguson, Thomas S. An inconsistent maximum likelihood estimate. Journal of the American Statistical Association. 1982, 77 (380): 831–834. JSTOR 2287314. doi:10.1080/01621459.1982.10477894.
^ Lehmann, E.L.; Casella, G. Theory of Point Estimation, 2nd ed. Springer. 1998. ISBN 0-387-98502-6.
扩展阅读
Bickel, Peter J. & Doksum, Kjell A. Mathematical Statistics: Basic and Selected Topics I Second (updated printing 2007). Pearson Prentice-Hall. 2001.
Lehmann, Erich. Theory of Point Estimation. 1983.
Liese, Friedrich & Miescke, Klaus-J. Statistical Decision Theory: Estimation, Testing, and Selection. Springer. 2008.
