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:
I(\theta)=\mathbb{E}\!\left[\left(-\frac{\partial^2}{\partial\theta^2}\log f(X;\theta)\right)\right]>0.
Essas condições servem para que os resultados abaixo sejam válidos. Se forem violadas, as propriedades podem falhar.

Passo 4

Vantagem teórica 1 — Assimptótica normalidade e uso prático para inferência:
  • Teorema (forma intuitiva): sob condições regulares,
\sqrt{n}\,(\hat\theta_{MLE}-\theta_0)\xrightarrow{d} N\!\left(0,\;I(\theta_0)^{-1}\right),
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):
    1. Para amostra grande n, \hat\theta_{MLE} está aproximadamente normal com média \theta_0 e variância aproximada \dfrac{1}{nI(\theta_0)}.
    2. 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,
\liminf_{n\to\infty} n\cdot\mathrm{Var}(\tilde\theta)\ge \frac{1}{I(\theta_0)}.
  • O EMV é assintoticamente eficiente no sentido de que, sob as mesmas condições regulares,
\lim_{n\to\infty} n\cdot\mathrm{Var}(\hat\theta_{MLE})=\frac{1}{I(\theta_0)},
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.

Exercícios relacionados