可容许性（admissibility），理学-统计学-大数据统计分析-统计决策理论-可容许性，统计决策问题中决策函数的基本性质。在一般的统计决策问题中，通过风险函数来描述决策函数的优劣，容许性是挑选决策函数的基本准则，一个好的决策函数应当具备可容许性。简史统计学家A.瓦尔德（Abraham Wald）在20世纪40年代建立起统计决策理论，统计决策理论引入损失函数，用来度量效益大小，评判统计推断结果的优劣。对一个统计决策问题而言，为了选择一个较优的决策函数，需要建立反映决策函数优劣的指标，风险函数定义为采取决策函数所遭受的平均损失，在风险函数越小，决策函数越优的原则下，可以引进各种具体且可行的准则，可容许性便是其中一种准则。可以想象过去认为应当多数是可容许的优良的估计，但也有超乎人们想象的结果，例如，W.詹姆斯（William James）和C.斯坦（Clifford Stein）在1956年及1964年就证明了三维以上的正态分布以样本均值估计均值，在平方损失下时不容许的；一维正态分布的方差，在平方损失下样本方差的线性函数也是不容许的，这引起了人们的更大兴趣。