Asymptotische Effizienz und Le Cam-Theorie

Le Cams Theorie präzisiert, was es bedeutet, dass ein Schätzer asymptotisch der beste ist, indem sie ein glattes Modell nahe der Wahrheit mit einem einfachen Normalexperiment annähert.

Definition

Ein regulärer Schätzer ist asymptotisch effizient, wenn seine Grenzvarianz die durch das Faltungs- und das lokal-asymptotisch-Minimax-Theorem festgelegte Untergrenze erreicht, äquivalent der inversen Fisher-Information in einem glatten parametrischen Modell.

Scope

Dieses Thema behandelt Kontiguität und Le Cams Lemmata, die lokale asymptotische Normalität glatter parametrischer Modelle, das limitierende Gaußsche Shift-Experiment, das Faltungstheorem von Hajek, das zeigt, dass die Grenze jedes regulären Schätzers die effiziente plus unabhängiges Rauschen ist, das lokal-asymptotisch-Minimax-Theorem, die daraus folgende Definition der asymptotischen Effizienz und die Rolle der effizienten Einflussfunktion und Supereffizienz.

Core questions

• Was ist lokale asymptotische Normalität, und warum reduziert sie ein Modell auf ein Normalexperiment?
• Wie charakterisiert das Faltungstheorem die bestmögliche Grenzverteilung eines Schätzers?
• Was ergänzt das lokal-asymptotisch-Minimax-Theorem bezüglich des Worst-Case-Risikos?
• Warum ist Supereffizienz nur auf einer vernachlässigbaren Menge möglich, und was ist die effiziente Einflussfunktion?

Key theories

Lokale asymptotische Normalität

Für glatte Modelle verhält sich das Log-Likelihood-Verhältnis entlang lokaler Parameterstörungen wie das eines Gaußschen Shift-Experiments, sodass Fragen zum ursprünglichen Modell auf ein handhabbares Normalproblem reduziert werden.

Faltungs- und lokal-asymptotisch-Minimax-Theoreme

Hajeks Faltungstheorem zeigt, dass das Grenzgesetz jedes regulären Schätzers das effiziente Normalgesetz ist, das mit unabhängigem Rauschen gefaltet wird, und das lokal-asymptotisch-Minimax-Theorem begrenzt das Worst-Case-Lokalrisiko, wodurch die asymptotische Effizienz gemeinsam definiert wird.

Clinical relevance

Le Cams Theorie liefert den Maßstab der asymptotischen Effizienz, an dem Schätzer gemessen werden, und untermauert die Konstruktion effizienter und semiparametrisch-effizienter Schätzer, einschließlich der in der kausalen Inferenz und im gezielten Lernen verwendeten Einflussfunktionsmethoden.

History

Le Cam entwickelte ab den 1950er Jahren die Kontiguität und die lokale asymptotische Normalität und löste damit langjährige Rätsel wie die Supereffizienz. Hajek bewies um 1970 die Faltungs- und lokal-asymptotisch-Minimax-Theoreme, und der Rahmen wurde später im Jahrhundert auf semiparametrische Modelle erweitert.

Key figures

• Lucien Le Cam
• Jaroslav Hajek
• Aad van der Vaart
• Peter J. Bickel

Seminal works

• vanderVaart1998

Frequently asked questions

Was ist Supereffizienz?

Es ist das Phänomen, das durch Hodges' Beispiel veranschaulicht wird, dass ein Schätzer die effiziente asymptotische Varianz bei isolierten Parameterwerten übertrifft; das Faltungstheorem zeigt, dass dies nur auf einer Menge vom Maß Null und auf Kosten eines schlechteren Verhaltens in der Nähe geschehen kann.

Warum ein Modell durch ein Normalexperiment annähern?

Weil das limitierende Gaußsche Shift-Experiment vollständig verstanden ist, können Optimalitätsfragen, die im ursprünglichen Modell unlösbar sind, dort beantwortet und über die lokale asymptotische Normalität zurückübertragen werden.