假设我们试图估计数量我们有那个估计器. 假设它是有效的，即方差是某些类别的其他可能估计量中最小的，说这个类是一类无偏估计量。
自然需要高效的估算器，因为它们在某种意义上是“最好的”。但是当我们使用无效的估计器时，我们会失去什么？假设我们有两个渐近正态的估计量，那么我们可以说有效估计量的置信区间比非有效估计量的置信区间窄。但肯定有比这种挥手更好的解释吗？是否对丢失的内容进行了量化？
我的问题是由 Ch 的这句话引起的。模拟人生在这里找到：
频率推论可以用同样的方式进行：定义你的模型，推导出完全有效的估计量，不注意其他任何事情
请注意，我不想引发另一场常客与贝叶斯的战争，我只是觉得可能会有一些我不熟悉的深刻结果。
根据定义，效率低下的估计器将具有更大的二次损失风险。在一些额外的假设和简化下，我想人们可能会将更大的风险等同于不可接受性，这意味着没有必要使用低效的估计器，因为有统一的优越估计器可用。频率论推理的更好解释避开了这样的假设并专注于可接纳性，让用户选择适当的损失函数并比较可用的可接纳估计量之间的风险函数。这统一了常客理论和贝叶斯理论（常客理论中没有任何东西排除采用先验概率，事实上，通过这样做已经发现了许多可接受的程序）并且也允许极小值估计。
正如您肯定知道的那样，作为一个实际问题，可以将效率损失与数据收集成本等同起来：在估计量的方差按比例缩放的研究中达到给定的功效, 效率降低一个因素通常需要收集数倍的数据。例如，能够找到一个效率是客户提出的估计器两倍的统计学家（caeteris paribus）只是将客户数据收集的成本减半。
有一些微妙之处涉及渐近有效估计量。例如，AEE对所有有限值可能是低效的. 但我希望你的问题与这个问题无关。