Estimation ponctuelle : biais, convergence, efficacité (L2 inférence statistique)

L'estimation ponctuelle cherche à approcher un paramètre inconnu de la population par une seule valeur calculée sur l'échantillon. En L2 du parcours data pour économistes, dans le cours d'inférence statistique, les QCM CampusQCM testent les qualités d'un bon estimateur. Un estimateur $\hat{\theta}$ est une…

L'estimation ponctuelle cherche à approcher un paramètre inconnu de la population par une seule valeur calculée sur l'échantillon. En L2 du parcours data pour économistes, dans le cours d'inférence statistique, les QCM CampusQCM testent les qualités d'un bon estimateur. Un estimateur $\hat{\theta}$ est une statistique (fonction de l'échantillon) destinée à approcher un paramètre $\theta$. Trois propriétés en jugent la qualité. Le biais mesure l'écart systématique : $\text{biais}(\hat{\theta}) = E(\hat{\theta}) - \theta$ ; l'estimateur est sans biais si $E(\hat{\theta}) = \theta$ (il vise juste en moyenne). La convergence (consistance) signifie que l'estimateur se rapproche du vrai paramètre quand la taille de l'échantillon augmente : il converge en probabilité vers $\theta$. L'efficacité compare la précision : entre deux estimateurs sans biais, le plus efficace est celui de plus faible variance. Pour synthétiser biais et variance, on utilise l'erreur quadratique moyenne $\text{EQM}(\hat{\theta}) = V(\hat{\theta}) + \text{biais}(\hat{\theta})^2$ : un bon estimateur minimise l'EQM. La moyenne empirique $\bar{X}$ est ainsi un estimateur sans biais, convergent et efficace de l'espérance. Ces critères permettent de comparer et de choisir les méthodes d'estimation (moments, maximum de vraisemblance). Comprendre l'arbitrage biais-variance est central, aussi bien en statistique qu'en apprentissage automatique.