3.4矩估计法（Method of Moments, MOM）

矩估计法（Method of Moments, MOM）完整讲解与推导

各位同学，今天我们用一整节课的时间，把矩估计这个参数估计的经典方法讲透。矩估计是统计学中最古老的参数估计方法之一，它的核心思想朴素到极致：用样本的数字特征，去替换总体对应的数字特征，背后的理论支撑是概率论的基石——大数定律。接下来我们从理论根基、定义、核心原理、性质证明、求解步骤、典型例题、优缺点全链条展开，最后用表格做系统总结。

---

一、矩估计的理论基础：大数定律

矩估计的所有合理性，都来自于独立同分布情形下的辛钦大数定律，我们先把这个定律讲清楚，再推广到高阶矩。

1. 辛钦大数定律（核心）

设随机变量序列 \(X_1,X_2,\dots,X_n,\dots\) 独立同分布，且具有有限的数学期望 \(E(X_i)=\mu\)，则对任意的 \(\varepsilon>0\)，有：

\[\lim_{n\to\infty}P\left\{\left|\frac{1}{n}\sum_{i=1}^n X_i - \mu\right|<\varepsilon\right\}=1 \]

通俗解释：当样本量 \(n\) 足够大时，样本均值 \(\bar{X}=\frac{1}{n}\sum_{i=1}^n X_i\) 会无限逼近总体的真实均值 \(\mu\)，二者出现显著偏差的概率趋近于0。

2. 大数定律向高阶矩的推广

我们把“均值”推广到任意阶的矩：

• 对 \(j\) 阶原点矩，若 \(E|X_1^j|<+\infty\)（即总体 \(j\) 阶矩存在），则 \(X_1^j,X_2^j,\dots,X_n^j\) 也是独立同分布的随机变量序列，且 \(E(X_i^j)=\mu_j\)。根据辛钦大数定律，样本 \(j\) 阶原点矩依概率收敛于总体 \(j\) 阶原点矩：
  \[a_j=\frac{1}{n}\sum_{i=1}^n X_i^j \stackrel{P}{\to} \mu_j=E(X_1^j) \quad (n\to\infty) \]

• 对 \(j\) 阶中心矩，同理可证：样本 \(j\) 阶中心矩依概率收敛于总体 \(j\) 阶中心矩：
  \[m_j=\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^j \stackrel{P}{\to} \alpha_j=E(X_1-\mu_1)^j \quad (n\to\infty) \]

这两个收敛性，就是矩估计“用样本矩替换总体矩”的核心依据：当样本量足够大时，样本矩和总体矩的差异可以忽略，用样本矩代替总体矩来估计未知参数，是统计意义上合理的。

---

二、核心定义：总体矩与样本矩

我们先把四个核心矩的定义、符号、含义讲清楚，这是矩估计的基本语言。

设 \(X_1,X_2,\dots,X_n\) 是来自总体 \(X\) 的独立同分布样本，总体的概率密度/分布律为 \(f(x;\theta)\)，\(\theta\) 是待估的未知参数，我们定义：

矩类型	定义公式	核心含义	特殊情况
总体 \(j\) 阶原点矩	\(\mu_j = E(X_1^j)\)	总体的 \(j\) 次幂的期望，描述总体分布的数字特征	\(j=1\) 时，\(\mu_1=E(X_1)\)，即总体均值
总体 \(j\) 阶中心矩	\(\alpha_j = E\left[(X_1-\mu_1)^j\right]\)	总体中心化（减均值）后 \(j\) 次幂的期望，消除了均值的影响	\(j=2\) 时，\(\alpha_2=Var(X_1)=\sigma^2\)，即总体方差
样本 \(j\) 阶原点矩	\(a_j = \frac{1}{n}\sum_{i=1}^n X_i^j\)	样本的 \(j\) 次幂的平均值，是样本的统计量（不含未知参数）	\(j=1\) 时，\(a_1=\bar{X}\)，即样本均值
样本 \(j\) 阶中心矩	\(m_j = \frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^j\)	样本中心化后 \(j\) 次幂的平均值，同样是统计量	\(j=2\) 时，\(m_2=\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2\)，即样本二阶中心矩

---

三、矩估计的核心原理：替换原则

矩估计的核心思想，就是矩法替换原则，分为两层：

1. 用样本原点矩替换对应的总体原点矩，用样本中心矩替换对应的总体中心矩；
2. 用样本矩的连续函数，替换总体矩的同一连续函数。

通过这个替换，我们就能把总体矩中包含的未知参数，转化为用样本矩表示的估计量，这个过程就是矩估计，得到的估计量称为矩估计量，代入样本观测值得到的结果称为矩估计值。

更一般地，若待估参数的函数 \(g(\theta)\) 可以表示为总体矩的函数 \(g(\theta)=G(\mu_1,\mu_2,\dots,\mu_k;\alpha_1,\alpha_2,\dots,\alpha_l)\)，则它的矩估计为：

\[\hat{g}(X)=G(a_1,a_2,\dots,a_k;m_1,m_2,\dots,m_l) \]

这就是教材中提到的矩方程估计提到的矩方程估计**，是矩估计的推广形式。

---

四、矩估计的核心性质与严格证明

接下来我们证明矩估计的三个核心性质，这是判断矩估计优劣的核心依据。

性质1：样本原点矩是总体原点矩的无偏估计

命题：对任意正整数 \(j\)，样本 \(j\) 阶原点矩 \(a_j\) 是总体 \(j\) 阶原点矩 \(\mu_j\) 的无偏估计，即 \(E(a_j)=\mu_j\)。

证明：
根据期望的线性性质，对任意 \(i\)，\(E(X_i^j)=\mu_j\)，因此：

\[E(a_j)=E\left(\frac{1}{n}\sum_{i=1}^n X_i^j\right)=\frac{1}{n}\sum_{i=1}^n E(X_i^j)=\frac{1}{n} \cdot n \cdot \mu_j = \mu_j \]

无偏性得证。

---

性质2：样本中心矩通常不是总体中心矩的无偏估计（以二阶为例）

命题：样本二阶中心矩 \(m_2\) 是总体方差 \(\sigma^2=\alpha_2\) 的有偏估计，即 \(E(m_2)\neq\sigma^2\)。

证明：
首先展开 \(m_2\) 的表达式：

\[m_2=\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2 = \frac{1}{n}\left(\sum_{i=1}^n X_i^2 - n\bar{X}^2\right) \]

对两边取期望：

\[E(m_2)=\frac{1}{n}\left[\sum_{i=1}^n E(X_i^2) - nE(\bar{X}^2)\right] \]

根据方差公式 \(E(Y^2)=Var(Y)+[E(Y)]^2\)，我们有：

1. 对单个样本 \(X_i\)：\(E(X_i^2)=Var(X_i)+[E(X_i)]^2=\sigma^2+\mu^2\)
2. 对样本均值 \(\bar{X}\)：\(E(\bar{X})=\mu\)，\(Var(\bar{X})=\frac{\sigma^2}{n}\)，因此 \(E(\bar{X}^2)=\frac{\sigma^2}{n}+\mu^2\)

将上述结果代入 \(E(m_2)\)：

\[E(m_2)=\frac{1}{n}\left[n(\sigma^2+\mu^2) - n\left(\frac{\sigma^2}{n}+\mu^2\right)\right] = \frac{1}{n}\left[(n-1)\sigma^2\right] = \frac{n-1}{n}\sigma^2 \]

显然 \(E(m_2)=\frac{n-1}{n}\sigma^2 \neq \sigma^2\)，因此 \(m_2\) 是 \(\sigma^2\) 的有偏估计。
补充：当 \(n\to\infty\) 时，\(\lim_{n\to\infty}E(m_2)=\sigma^2\)，因此 \(m_2\) 是 \(\sigma^2\) 的渐近无偏估计。

---

性质3：矩估计量具有相合性（一致性）

命题：样本原点矩 \(a_j\) 是总体原点矩 \(\mu_j\) 的相合估计，样本中心矩 \(m_j\) 是总体中心矩 \(\alpha_j\) 的相合估计；若 \(g(\cdot)\) 是连续函数，则矩估计量 \(\hat{\theta}=g(a_1,a_2,\dots,a_k)\) 是 \(\theta=g(\mu_1,\mu_2,\dots,\mu_k)\) 的相合估计。

证明：

1. 样本原点矩的相合性：直接由辛钦大数定律可得，\(a_j \stackrel{P}{\to} \mu_j \ (n\to\infty)\)，因此 \(a_j\) 是 \(\mu_j\) 的相合估计。
2. 样本二阶中心矩的相合性：\(m_2=a_2 - a_1^2\)，根据依概率收敛的性质：若 \(X_n \stackrel{P}{\to} a\)，\(Y_n \stackrel{P}{\to} b\)，则 \(X_n \pm Y_n \stackrel{P}{\to} a\pm b\)，\(X_n Y_n \stackrel{P}{\to} ab\)。
   已知 \(a_2 \stackrel{P}{\to} \mu_2\)，\(a_1 \stackrel{P}{\to} \mu_1\)，因此 \(a_1^2 \stackrel{P}{\to} \mu_1^2\)，故：
   \[m_2=a_2 - a_1^2 \stackrel{P}{\to} \mu_2 - \mu_1^2 = \sigma^2=\alpha_2 \]
   高阶样本中心矩可通过展开为样本原点矩的多项式，同理可证相合性。
3. 矩估计量的相合性：根据连续映射定理，若 \(g(\cdot)\) 是连续函数，\(X_n \stackrel{P}{\to} a\)，则 \(g(X_n) \stackrel{P}{\to} g(a)\)。因此矩估计量作为样本矩的连续函数，必然依概率收敛到待估参数，即具有相合性。

---

性质4：矩估计量具有渐近正态性

根据林德伯格-莱维中心极限定理，对样本 \(j\) 阶原点矩，有：

\[\sqrt{n}(a_j - \mu_j) \stackrel{d}{\to} N(0, \mu_{2j}-\mu_j^2) \quad (n\to\infty) \]

其中 \(\stackrel{d}{\to}\) 表示依分布收敛，\(\mu_{2j}-\mu_j^2=Var(X_1^j)\) 是 \(X_1^j\) 的方差。

这说明：当样本量足够大时，矩估计量近似服从正态分布，我们可以基于此构造参数的大样本置信区间，这是矩估计大样本下的核心优势。

---

五、矩估计的通用求解步骤

矩估计的求解有固定的标准化步骤，无论什么分布，都可以按照这4步完成求解，我们先给出通用步骤，再通过例题逐一验证。

设总体分布含有 \(k\) 个未知参数 \(\theta_1,\theta_2,\dots,\theta_k\)，矩估计的步骤为：

1. 计算总体矩：根据总体分布，计算前 \(k\) 阶总体矩（原点矩/中心矩均可，优先选低阶、易计算的），得到总体矩关于未知参数的函数：
   \[\mu_j = h_j(\theta_1,\theta_2,\dots,\theta_k), \quad j=1,2,\dots,k \]

2. 建立矩方程组：根据待估参数的个数，建立 \(k\) 个方程的矩方程组。
3. 解矩方程组：将未知参数 \(\theta_1,\dots,\theta_k\) 表示为总体矩 \(\mu_1,\dots,\mu_k\) 的函数：
   \[\theta_j = g_j(\mu_1,\mu_2,\dots,\mu_k), \quad j=1,2,\dots,k \]

4. 替换得到矩估计：将表达式中的总体矩替换为对应的样本矩，得到未知参数的矩估计量：
   \[\hat{\theta}_j = g_j(a_1,a_2,\dots,a_k), \quad j=1,2,\dots,k \]
   代入样本观测值，即可得到矩估计值。

---

六、典型例题的完整推导

我们把教材中的5个例题逐一做完整推导，把每一步的逻辑讲清楚，帮大家彻底掌握矩估计的求解。

例1：Laplace分布 \(LA(\mu,\sigma)\) 的矩估计

设 \(X_1,\dots,X_n\) 独立同分布，\(X_1 \sim LA(\mu,\sigma)\)，概率密度为：

\[f(x;\mu,\sigma)=\frac{1}{2\sigma}e^{-\frac{|x-\mu|}{\sigma}}, \ x\in\mathbb{R}, \sigma>0 \]

待估参数为 \(\mu\) 和 \(\sigma^2\)，共2个未知参数，因此需要2个总体矩。

步骤1：计算总体矩

• 1阶原点矩（期望）：

  \[E(X_1)=\int_{-\infty}^{+\infty} x \cdot \frac{1}{2\sigma}e^{-\frac{|x-\mu|}{\sigma}} dx \]

  令 \(t=x-\mu\)，则 \(x=t+\mu\)，积分变为：

  \[E(X_1)=\int_{-\infty}^{+\infty} (t+\mu) \cdot \frac{1}{2\sigma}e^{-\frac{|t|}{\sigma}} dt = \frac{1}{2\sigma}\int_{-\infty}^{+\infty} t e^{-\frac{|t|}{\sigma}} dt + \mu \cdot \frac{1}{2\sigma}\int_{-\infty}^{+\infty} e^{-\frac{|t|}{\sigma}} dt \]

  第一个积分的被积函数是奇函数，对称区间积分结果为0；第二个积分 \(\int_{-\infty}^{+\infty} e^{-\frac{|t|}{\sigma}} dt=2\sigma\)，因此：

  \[E(X_1)=\mu \implies \mu_1=\mu \]

• 2阶中心矩（方差）：

  \[Var(X_1)=E[(X_1-\mu)^2]=\int_{-\infty}^{+\infty} (x-\mu)^2 \cdot \frac{1}{2\sigma}e^{-\frac{|x-\mu|}{\sigma}} dx \]

  令 \(t=x-\mu\)，被积函数为偶函数，因此：

  \[Var(X_1)=\frac{1}{\sigma}\int_{0}^{+\infty} t^2 e^{-\frac{t}{\sigma}} dt = \frac{1}{\sigma} \cdot 2\sigma^3 = 2\sigma^2 \]

  即 \(\alpha_2=2\sigma^2\)。

步骤2-3：解矩方程组

我们得到方程组：

\[\begin{cases} \mu_1 = \mu \\ \alpha_2 = 2\sigma^2 \end{cases} \]

解得：

\[\mu=\mu_1, \quad \sigma^2=\frac{\alpha_2}{2} \]

步骤4：替换得到矩估计

将 \(\mu_1\) 替换为样本均值 \(a_1=\bar{X}\)，\(\alpha_2\) 替换为样本二阶中心矩 \(m_2=\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2\)，得到矩估计量：

\[\hat{\mu}=\bar{X}, \quad \widehat{\sigma^2}=\frac{1}{2n}\sum_{i=1}^n (X_i-\bar{X})^2 \]

---

例2：伽马分布 \(\Gamma(\lambda,\nu)\) 的矩估计

设 \(X_1,\dots,X_n\) 独立同分布，\(X_1 \sim \Gamma(\lambda,\nu)\)，概率密度为：

\[f(x;\lambda,\nu)=\frac{\lambda^\nu}{\Gamma(\nu)}x^{\nu-1}e^{-\lambda x}, \ x>0, \lambda>0, \nu>0 \]

待估参数为 \(\lambda\) 和 \(\nu\)，共2个未知参数，需要2个总体矩。

步骤1：计算总体矩

• 1阶原点矩（期望）：

  \[E(X_1)=\int_{0}^{+\infty} x \cdot \frac{\lambda^\nu}{\Gamma(\nu)}x^{\nu-1}e^{-\lambda x} dx \]

  令 \(t=\lambda x\)，则 \(x=t/\lambda\)，\(dx=dt/\lambda\)，代入得：

  \[E(X_1)=\frac{\lambda^\nu}{\Gamma(\nu) \cdot \lambda^{\nu+1}} \int_{0}^{+\infty} t^\nu e^{-t} dt = \frac{\Gamma(\nu+1)}{\lambda \Gamma(\nu)} = \frac{\nu}{\lambda} \]

  即 \(\mu_1=\frac{\nu}{\lambda}\)。

• 2阶中心矩（方差）：
  先计算2阶原点矩：

  \[E(X_1^2)=\frac{\lambda^\nu}{\Gamma(\nu)} \int_{0}^{+\infty} x^{\nu+1}e^{-\lambda x} dx = \frac{\Gamma(\nu+2)}{\lambda^2 \Gamma(\nu)} = \frac{\nu(\nu+1)}{\lambda^2} \]

  因此方差：

  \[Var(X_1)=E(X_1^2)-[E(X_1)]^2 = \frac{\nu(\nu+1)}{\lambda^2} - \frac{\nu^2}{\lambda^2} = \frac{\nu}{\lambda^2} \]

  即 \(\alpha_2=\frac{\nu}{\lambda^2}\)。

步骤2-3：解矩方程组

方程组为：

\[\begin{cases} \mu_1 = \frac{\nu}{\lambda} \\ \alpha_2 = \frac{\nu}{\lambda^2} \end{cases} \]

将 \(\nu=\lambda \mu_1\) 代入第二个方程，得 \(\alpha_2=\frac{\mu_1}{\lambda}\)，解得：

\[\lambda=\frac{\mu_1}{\alpha_2}, \quad \nu=\frac{\mu_1^2}{\alpha_2} \]

步骤4：替换得到矩估计

将 \(\mu_1\) 替换为 \(\bar{X}\)，\(\alpha_2\) 替换为样本二阶中心矩 \(S^2=\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2\)，得到矩估计量：

\[\hat{\lambda}=\frac{\bar{X}}{S^2}, \quad \hat{\nu}=\frac{\bar{X}^2}{S^2} \]

---

例3：总体相关系数 \(\rho\) 的矩估计

设 \((X_1,Y_1),\dots,(X_n,Y_n)\) 独立同分布，总体相关系数定义为：

\[\rho = \frac{Cov(X_1,Y_1)}{\sqrt{Var(X_1)Var(Y_1)}} \]

其中 \(Cov(X_1,Y_1)=E[(X_1-E(X_1))(Y_1-E(Y_1))]\) 是总体协方差。

核心思路：替换原则

我们直接用样本矩替换总体矩：

1. 总体期望 \(E(X_1)\) 替换为样本均值 \(\bar{X}=\frac{1}{n}\sum_{i=1}^n X_i\)，\(E(Y_1)\) 替换为 \(\bar{Y}=\frac{1}{n}\sum_{i=1}^n Y_i\)；
2. 总体协方差替换为样本混合中心矩 \(\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})(Y_i-\bar{Y})\)；
3. 总体方差 \(Var(X_1)\) 替换为样本二阶中心矩 \(\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2\)，\(Var(Y_1)\) 替换为 \(\frac{1}{n}\sum_{i=1}^n (Y_i-\bar{Y})^2\)。

矩估计结果

替换后分子分母的 \(\frac{1}{n}\) 可以约去，得到 \(\rho\) 的矩估计量：

\[\hat{\rho} = \frac{\sum_{i=1}^n (X_i-\bar{X})(Y_i-\bar{Y})}{\sqrt{\sum_{i=1}^n (X_i-\bar{X})^2 \sum_{i=1}^n (Y_i-\bar{Y})^2}} \]

这就是我们常用的样本相关系数，这个例子也体现了矩估计的优势：不需要知道总体的联合分布，仅通过样本矩就能完成估计。

---

例4：均匀分布 \(R(\theta_1,\theta_2)\) 的矩估计

设 \(X_1,\dots,X_n\) 独立同分布，\(X_1 \sim R(\theta_1,\theta_2)\)，概率密度为：

\[f(x;\theta_1,\theta_2)=\frac{1}{\theta_2-\theta_1}, \ \theta_1<x<\theta_2 \]

待估参数为 \(\theta_1\) 和 \(\theta_2\)，共2个未知参数，需要2个总体矩。

步骤1：计算总体矩

• 1阶原点矩（期望）：均匀分布的期望为区间中点，即
  \[E(X_1)=\frac{\theta_1+\theta_2}{2} \implies \mu_1=\frac{\theta_1+\theta_2}{2} \]

• 2阶中心矩（方差）：均匀分布的方差为
  \[Var(X_1)=\frac{(\theta_2-\theta_1)^2}{12} \implies \alpha_2=\frac{(\theta_2-\theta_1)^2}{12} \]

步骤2-3：解矩方程组

方程组为：

\[\begin{cases} \mu_1 = \frac{\theta_1+\theta_2}{2} \\ \alpha_2 = \frac{(\theta_2-\theta_1)^2}{12} \end{cases} \]

令 \(S=\sqrt{\alpha_2}\)，变形得：

\[\begin{cases} \theta_1+\theta_2=2\mu_1 \\ \theta_2-\theta_1=2\sqrt{3}S \end{cases} \]

联立解得：

\[\theta_1=\mu_1 - \sqrt{3}S, \quad \theta_2=\mu_1 + \sqrt{3}S \]

步骤4：替换得到矩估计

将 \(\mu_1\) 替换为 \(\bar{X}\)，\(S\) 替换为样本二阶中心矩的平方根 \(\sqrt{\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2}\)，得到矩估计量：

\[\hat{\theta}_1=\bar{X} - \sqrt{3}S, \quad \hat{\theta}_2=\bar{X} + \sqrt{3}S \]

---

例5：超几何分布的矩估计（鱼塘鱼总数估计）

设鱼塘总鱼数为 \(N\)，其中标记的鱼有 \(m=500\) 条，不放回捕捞 \(n\) 条，其中标记的鱼数 \(X \sim HG(n,N,m)\)（超几何分布），待估参数为 \(N\)。

步骤1：计算总体矩

超几何分布的期望为：

\[E(X)=n \cdot \frac{m}{N} \implies \mu_1=\frac{nm}{N} \]

步骤2-3：解矩方程

解得：

\[N=\frac{nm}{\mu_1} \]

步骤4：替换得到矩估计

这里只有1个观测值 \(x=100\)，样本均值 \(\bar{X}=x=100\)，替换后得到：

\[\hat{N}=\frac{nm}{\bar{X}} \]

代入 \(m=500\)，\(\bar{X}=100\)，得 \(\hat{N}=5n\)，和极大似然估计结果一致。

---

七、矩估计的优缺点总结

优点

1. 原理直观，操作简单：核心思想符合“用样本特征估计总体特征”的统计直觉，计算仅需求解样本矩和简单方程组，无需复杂的数值计算。
2. 适用范围广：不需要知道总体的完整分布形式，仅需总体矩存在且与参数有明确的函数关系即可使用，甚至分布未知时也能估计（如相关系数）。
3. 大样本性质优良：矩估计量天然具有相合性和渐近正态性，样本量足够大时，估计效果有严格的理论保障。
4. 充分性好：在分布形式未知时，矩估计是为数不多的可行估计方法，是参数估计的“兜底方法”。

缺点

1. 估计不唯一：同一个参数可以通过不同阶的矩得到不同的矩估计量（如泊松分布的 \(\lambda\)，可通过一阶矩得到 \(\hat{\lambda}=\bar{X}\)，也可通过二阶矩得到 \(\hat{\lambda}=S^2\)），缺乏统一的选择准则，通常优先选择低阶矩。
2. 小样本性质较差：多数矩估计量是有偏的（如样本二阶中心矩），小样本下估计精度通常低于极大似然估计、无偏估计等方法。
3. 信息利用不充分：仅使用了总体的前k阶矩，没有利用总体分布的全部信息，当总体分布形式已知时，估计效率通常低于极大似然估计。
4. 存在局限性：当总体的矩不存在时（如柯西分布，期望不存在），无法使用矩估计。

---

八、矩估计核心知识点汇总表

分类	核心内容	关键公式/结论
理论基础	辛钦大数定律	样本矩依概率收敛于对应总体矩：\(a_j \stackrel{P}{\to} \mu_j\)，\(m_j \stackrel{P}{\to} \alpha_j\)
核心定义-总体矩	总体 \(j\) 阶原点矩	\(\mu_j = E(X_1^j)\)，\(\mu_1=E(X_1)\)（总体均值）
核心定义-总体矩	总体 \(j\) 阶中心矩	\(\alpha_j = E[(X_1-\mu_1)^j]\)，\(\alpha_2=Var(X_1)\)（总体方差）
核心定义-样本矩	样本 \(j\) 阶原点矩	\(a_j = \frac{1}{n}\sum_{i=1}^n X_i^j\)，\(a_1=\bar{X}\)（样本均值）
核心定义-样本矩	样本 \(j\) 阶中心矩	\(m_j = \frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^j\)，\(m_2=\frac{1}{n}\sum_{i=1}^n (X_i-\bar{X})^2\)（样本二阶中心矩）
核心原理	替换原则	用样本矩替换总体矩，用样本矩的连续函数替换总体矩的同一函数
核心性质	无偏性	样本原点矩 \(a_j\) 是 \(\mu_j\) 的无偏估计；样本中心矩 \(m_j\) 通常是有偏的（\(E(m_2)=\frac{n-1}{n}\sigma^2\)）
核心性质	相合性	样本矩是对应总体矩的相合估计；矩估计量作为样本矩的连续函数，是待估参数的相合估计
核心性质	渐近正态性	\(\sqrt{n}(a_j - \mu_j) \stackrel{d}{\to} N(0, \mu_{2j}-\mu_j^2)\)，大样本下矩估计量近似服从正态分布
求解步骤	通用4步	1. 计算总体矩；2. 建立矩方程组；3. 解方程组；4. 替换得到矩估计
典型分布- Laplace分布 \(LA(\mu,\sigma)\)	矩估计结果	\(\hat{\mu}=\bar{X}\)，\(\widehat{\sigma^2}=\frac{1}{2n}\sum_{i=1}^n (X_i-\bar{X})^2\)
典型分布- 伽马分布 \(\Gamma(\lambda,\nu)\)	矩估计结果	\(\hat{\lambda}=\frac{\bar{X}}{S^2}\)，\(\hat{\nu}=\frac{\bar{X}^2}{S^2}\)
典型分布- 均匀分布 \(R(\theta_1,\theta_2)\)	矩估计结果	\(\hat{\theta}_1=\bar{X}-\sqrt{3}S\)，\(\hat{\theta}_2=\bar{X}+\sqrt{3}S\)
典型分布- 超几何分布 \(HG(n,N,m)\)	矩估计结果	\(\hat{N}=\frac{nm}{\bar{X}}\)
典型统计量- 相关系数 \(\rho\)	矩估计结果	样本相关系数 \(\hat{\rho}=\frac{\sum_{i=1}^n (X_i-\bar{X})(Y_i-\bar{Y})}{\sqrt{\sum_{i=1}^n (X_i-\bar{X})^2 \sum_{i=1}^n (Y_i-\bar{Y})^2}}\)