Em uma situação onde o estimador pelo Método dos Momentos (EMM) fornece um resultado diferente do Estimador de Máxima Verossimilhança (EMV), qual dos dois geralmente é preferível para grandes amostras? Cite duas vantagens teóricas do EMV que justificam essa escolha.
Passo 1
O enunciado pede duas coisas claras:
Dizer qual estimador, entre o Estimador pelo Método dos Momentos (EMM) e o Estimador de Máxima Verossimilhança (EMV), costuma ser preferido quando a amostra é grande.
Citar duas vantagens teóricas do EMV que justificam essa preferência.
Informações disponíveis:
Há um conflito: EMM e EMV dão resultados diferentes (isso é comum).
Não há dados numéricos específicos; a questão é sobre propriedades assintóticas (grandes amostras).
Passo 2
Rápida revisão do que são os estimadores (para você lembrar como usar na prova):
Método dos Momentos (EMM): calcula momentos amostrais e iguala a momentos teóricos para resolver a(s) equação(ões) e obter o estimador. Ex.: o primeiro momento amostral é \dfrac{1}{n}\sum_{i=1}^{n}X_i; se E_\theta[X]=\mu(\theta), o EMM resolve
\frac{1}{n}\sum_{i=1}^n X_i = \mu(\theta)
para \theta.
Máxima Verossimilhança (EMV): escolhe o valor de \theta que maximiza a verossimilhança dos dados. Se f(x;\theta) é a densidade/pmf, a verossimilhança é
L(\theta)=\prod_{i=1}^n f(X_i;\theta),
ou seja, trabalha com a log-verossimilhança
\ell(\theta)=\sum_{i=1}^n \log f(X_i;\theta),
e obtém \hat\theta_{MLE}=\arg\max_\theta \ell(\theta).
Passo 3
Condição importante antes de afirmar propriedades assintóticas: o EMV tem boas propriedades quando se satisfazem condições regulares (resumo em linguagem simples):
Identificabilidade: diferentes \theta geram distribuições diferentes.
A função de verossimilhança é diferenciável em \theta e a expectativa das derivadas existe e é finita.
Informação de Fisher por observação é finita e positiva:
onde \theta_0 é o verdadeiro valor do parâmetro e I(\theta_0) é a informação de Fisher por observação.
O que isso significa na prática (passo a passo, como usar na prova):
Para amostra grande n, \hat\theta_{MLE} está aproximadamente normal com média \theta_0 e variância aproximada \dfrac{1}{nI(\theta_0)}.
Isso permite construir intervalos de confiança e testes aproximados: por exemplo, um intervalo assintótico de 1-\alpha é
\hat\theta_{MLE}\pm z_{1-\alpha/2}\sqrt{\frac{1}{nI(\hat\theta_{MLE})}},onde z_{1-\alpha/2} é o quantil normal (explicar: z_{0{,}975}\approx1{,}96 para 95\%).
3. Na prática, se I(\theta_0) não for conhecida, usa-se a informação observada -\dfrac{1}{n}\dfrac{\partial^2 \ell}{\partial\theta^2}\Big|_{\theta=\hat\theta_{MLE}}.
Intuição amigável: para grandes n, o MLE “concentra” ao redor do valor verdadeiro e tem distribuição bem conhecida — isso facilita muito construir inferências e responder questões na prova.
Passo 5
Vantagem teórica 2 — Assimptótica eficiência (atinge o limite de Cramér–Rao):
Descrição matemática: o limite inferior de variância (Cramér–Rao) para estimadores regulares diz que, para um estimador consistente \tilde\theta,
ou seja, sua variância assintótica alcança esse menor limite possível.
Intuição amigável: entre os estimadores “regulares” que você poderia construir (incluindo o EMM), o EMV tende a ter a menor variância assintótica — em termos práticos: para amostras grandes, as estimativas via MLE serão tipicamente mais precisas (menos dispersas) que as obtidas por outros métodos.
Passo 6
Observações práticas e caveats (úteis para a prova):
Pequenas amostras: o EMV pode ser viesado ou difícil de obter analiticamente (às vezes precisa de otimização numérica). O EMM pode ser mais simples e dar estimadores aceitáveis para n pequeno.
Mas a pergunta era sobre grandes amostras: portanto os resultados assintóticos acima tornam o EMV a escolha padrão.
Bônus rápido (não exigido, mas bom lembrar): o EMV tem também a propriedade de invariância: se \hat\theta é MLE para \theta, então g(\hat\theta) é MLE para g(\theta), o que é útil em transformações de parâmetro.
Resposta
EMV (Estimador de Máxima Verossimilhança).
Vantagem 1: O EMV é assintoticamente normal, isto é, \sqrt{n}(\hat\theta_{MLE}-\theta_0)\xrightarrow{d}N(0,I(\theta_0)^{-1}), o que permite construir intervalos de confiança e testes aproximados simples.
Vantagem 2: O EMV é assintoticamente eficiente, ou seja, sua variância assintótica atinge o limite de Cramér–Rao 1/I(\theta_0), sendo (entre estimadores regulares) o de menor variância assintótica.