1樓：Aaron啦啦啦
估計量(estimator)是乙個樣本的函式，而估計值(estimate）是這個函式帶入樣本後的乙個值。
比如我有x1, x2, ..., xn，這些都是我的樣本，（x1 + x2... + xn)/n這個函式是乙個估計量，但是當我把手頭的資料帶進去，求出來的是乙個估計值。
當然，另乙個人可以有另一組樣本，帶入我的這個估計量，可以求出乙個不同的估計值。
2樓：jxjdhbd
估計量:用於估計總體引數的隨機變數，如樣本均值，樣本比例，樣本方差等。
估計值:估計引數時計算出來的統計量的具體值
如果樣本均值為x(x的頭上有根橫線)=80，就稱為估計量，80就是u的估計值
3樓：數籤籤
先看結果。不能畫圖，可以想象。在座標系x-y內，x軸上真實值b是不動的，乙個以b為期望的分布b hat（估計量），但b hat 的形態是隨著計算樣本自由度（樣本量n、變數數k）而變化的（但大樣本OLS弱假定下始終滿足漸進正態性），因為b hat的方差估計量與n,k有關，因此n，k確定情況下，b hat的分布形態是不變的， 想象成b hat分布（n，k確定）下的用第j組樣本量計算的某個取值。
舉例：樣本均值 是總體期望值EX=u的估計量，利用第j個樣本集計算出樣本均值的具體值 ，這個 就是u的估計值。這個例子與計量下的估計量 hat 唯一區別在於：
統計量的表現形式不一樣， = ，而後者比如一元OLS下的b hat= 。
再看從計量角度估計量、估計值如何來的，以最簡單的一元帶截距回歸方程為例，滿足大樣本OLS弱假定
計量角度來看，乙個存在但不可能知曉的真實值b，滿足理論模型F（X，Y，b）=0；
從理論到現實，存在誤差等不可控因素，存在總體回歸方程f（X，Y，b，e）=0，b稱為總體引數，而總體（X，Y）不知，真實值b也永遠不能確定，e是總體誤差，為隨機變數，滿足條件均值和同方差 假定
總體無法獲取，只能得到n個樣本量的乙個樣本集。於是可以建立樣本回歸方程f（x，y，b hat，u）=0，其中b hat稱為b的估計量。估計量可以用多種計算方法，運用OLS方法計算就是ols估計量，運用MLE方法計算就是MLE估計量，此外還有分位數回歸、中位數回歸、FGLS等等，而從表現形式看，估計量是樣本（x，y）的表示式g=。
u是殘差，是e的抽樣值，殘差方差為
將乙個樣本集代入估計量的表示式g（x，y）得到b hat的乙個具體值，即b基於此樣本下的乙個估計值 （第j個樣本集計算的b估計值）
其他相關延伸
用什麼標準去衡量乙個b hat的好壞呢？主要兩個標準，一是b hat的期望值必須與真實值相等，也就是常說的無偏性；另乙個就是b hat離真實值b的分散程度最小，方差最小，也就是有效性。大樣本下可以這兩個標準放鬆為漸進性，即依概率收斂為真實值和漸進方差最小。
前人已經幫我們證明了，滿足OLS假設條件下，b的估計量b hat是滿足BLUE性質的。因此，OLS假設的存在只是保證b hat其中的某一形式（比如OLS估計量g）作為計算真實值b的估計量的合理性，以及確定b hat的分布，包括均值E（b hat）=b，方差 （一元回歸， 是總體誤差方差）和分布形式為正態（誤差同方差的正態分佈下）或者漸進正態（大樣本同方差下），為假設推斷、顯著性檢驗做準備，與其具體代入的樣本值並無任何關係。
但我們無法知道具體總體誤差 ，u是e的抽樣，只能用殘差 去估計，OLS下 (一元下）是 的無偏估計，於是b hat的方差估計量（類似樣本方差 對總體方差 的估計）為 。再依據b hat的（漸進）正態分佈性質，構建t統計量，對 是否顯著異於b進行檢驗。
4樓：劉徹
引數的點估計問題就是尋找合適的估計量的問題。對不同的樣本，同一估計量的估計值是不同的。同乙個樣本對總體未知引數的估計，僅僅是所有可能估計值中的乙個點，故稱為點估計。
例如：要測整個大一年級的新生平均身高，那麼從整個大一年級隨機抽取乙個班作為抽樣樣本，那麼樣本的均值我們可以看做是乙個估計量，顯然他是乙個隨機變數，但是對於特定的某次抽取，我們測出的樣本平均身高就是乙個估計值。 個人淺見
5樓：
估計量（estimator），就是頭上有帽子的那個東西，乙個隨機變量。
估計值（estimate），就是把資料代入到估計量以後得到的乙個數值。
極大似然估計值真的準嗎
靜學社 學無止境 你可以 選擁有最大的極大似然值得那個分布 作為你的假想分布，沒有人可以阻止你這麼用。你甚至可以為所有你知道的分布求出對應的最大似然估計值，沒人會反對你這麼做。方法是死的，你想怎麼用都可以。會用的人會根據實際情況去靈活的運用。極大似然估計值真的準嗎?這個問題你問的有點奇怪！首先你應該...
如何判斷統計估計量是否是一致的？
小院 無偏性 有效性及最優性 一致性 相合性 這三個量都是對估計方法的合理性的控制指標，無偏性說明某種方法求出的估計量在真實值的周圍波動，對於兩個估計量來說，方差小的那個說明此種方法的估計量更集中於真實值附近，說明有效性較大，一致性原理說明樣本容量越大，求出的估計量越靠近實際值。 博華 一致性 co...
如何理解在簡單線性回歸中，計算OSL估計量（ 1和 0）的方差時， 將SSTx和di等均視為非隨機的？
羅城 一般的OLS回歸裡X被認為沒有隨機性，所以書本的介紹是對的。那個除掉的X的方差指的是樣本方差，而不是population的方差。當然現實生活裡，X基本都帶誤差。所以比較好的另外乙個解釋是X Y服從聯合正態分佈，線性回歸可以被當成E Y X 在取這個條件期望的時候，X也是被當成固定變數的。如果你...