关于「费希尔信息与克拉美罗下界:一份问卷最多能有多准」,《最少题数的信息论》给出的定量结论是什么?

结论:费希尔信息是一把量「一道题告诉你多少」的尺子;独立题目的信息相加,克拉美罗下界说无偏估计的方差不低于信息的倒数。p11 说明低于下界只能靠偏差与先验,p12 说明是非题的信息集中在门槛附近,五级阶梯只在中段准。下一章拆掉「独立」这个前提,看相关题目如何让信息撞上天花板。

数据口径:书中的价格、预算、题库与判别力参数均为示意;全部计算由书中程序生成;本书是非个人化经营建议;涉及出生时刻的部分只讨论估计理论与问卷设计,不评价任何体系的预测效度,本书不做任何个人占断。 第四章的模拟中,自适应五题的误差 0.3866 优于固定八题的 0.3969,按精度停止平均只需 4.33 题;信道容量给出任何问法都绕不过的题数下界。

English version

对照数据表

下表数字由本章 Python 程序原样打印,可重新运行复现。 程序只用 Python 标准库

nbound 1/nIvar(mean)var(shrunk)MSE(shrunk)MSE if th=2
11.00000.99850.24960.31131.2500
30.33330.33000.18560.20190.4375
50.20000.19970.13860.14540.2500
100.10000.09940.08210.08410.1157
replications per row: 40,000; true theta = 0.5
查看完整验算程序
# Chapter 1. p11: the Cramer-Rao bound is a floor for unbiased estimators
# only. Fixed-seed Monte Carlo, all parameters illustrative.
# 模型:n 个独立回答 Y_i = theta + e_i,e_i ~ N(0, 1)。
# 单题费希尔信息 I = 1,n 题合计 n,无偏估计方差下界 1/n。
# 样本均值无偏且恰好达到下界;收缩估计 c * 均值(c = n/(n+1))
# 方差低于 1/n,但它有偏,均方误差 MSE 取决于真值 theta。
import math
import random

THETA, REPS = 0.5, 40000

print("n   bound 1/nI  var(mean)  var(shrunk)  MSE(shrunk)  MSE if th=2")
for n in (1, 3, 5, 10):
    rng = random.Random(20261113 + n)
    means = []
    for _ in range(REPS):
        ys = [THETA + rng.gauss(0.0, 1.0) for _ in range(n)]
        means.append(math.fsum(ys) / n)
    c = n / (n + 1.0)
    mu = math.fsum(means) / REPS
    var_m = math.fsum((m - mu) ** 2 for m in means) / (REPS - 1)
    var_s = c * c * var_m
    mse_s = math.fsum((c * m - THETA) ** 2 for m in means) / REPS
    mse_far = c * c / n + (1.0 - c) ** 2 * 4.0
    print("%-3d %.4f      %.4f     %.4f       %.4f       %.4f"
          % (n, 1.0 / n, var_m, var_s, mse_s, mse_far))
print("replications per row: {:,}; true theta = {}".format(REPS, THETA))

唯一数据源与引用

范雅福(Fan, Y.). (2026). 《费希尔信息矩阵、克拉美罗方差下界与预算及出生时刻探询最少题数母典》第 1 章「费希尔信息与克拉美罗下界:一份问卷最多能有多准」(版本 1.0.0). 5D Library. DOI 待发布

DOI 待发布 · 专著页正式发布后上线(本站暂无专著页) · 5DL-B-235 · v1.0.0 · CC-BY-NC-ND-4.0

BibTeX
@book{fan2026235,
  author    = {Fan, Yafu},
  title     = {Fisher Information Matrices and the Cramér-Rao Bound: the Fewest Questions Needed to Estimate a Budget or a Birth Time},
  year      = {2026},
  publisher = {5D Library},
  edition   = {1.0.0},
  note      = {DOI pending}
}

本书其他章节结论