Asymptotische Theorie
Die asymptotische Theorie untersucht, wie sich Schätzer und Tests verhalten, wenn die Stichprobengröße unbegrenzt wächst, und liefert handhabbare Approximationen, wenn exakte Verteilungen nicht handhabbar sind.
Definition
Die asymptotische Theorie ist der Teil der mathematischen Statistik, der Grenzverteilungen und Approximationen für statistische Verfahren ableitet, wenn die Stichprobengröße gegen unendlich strebt, und diese verwendet, um jene Verfahren zu vergleichen und zu rechtfertigen.
Scope
Dieser Bereich umfasst Konvergenzarten und die Sätze über stetige Abbildungen und Slutsky, die Konsistenz von Schätzern, asymptotische Normalität und die Delta-Methode, M- und Z-Schätzung als vereinheitlichenden Rahmen für Schätzer, die durch Maximierung oder Schätzgleichungen definiert sind, die Theorie empirischer Prozesse und uniforme Gesetze sowie zentrale Grenzwertsätze über Funktionsklassen, Kontiguität, lokale asymptotische Normalität und die Faltungs- und lokal-asymptotisch-Minimax-Sätze, die die asymptotische Effizienz definieren.
Sub-topics
Core questions
- Was bedeutet es für einen Schätzer, konsistent und asymptotisch normal zu sein?
- Wie propagiert die Delta-Methode asymptotische Normalität durch glatte Transformationen?
- Wie vereinheitlicht die M-Schätzung Maximum-Likelihood-, Kleinste-Quadrate- und robuste Schätzer?
- Was ist asymptotische Effizienz, und wie charakterisiert Le Cams Theorie die bestmögliche Grenzvarianz?
Key theories
- Konsistenz und asymptotische Normalität
- Unter Regularität konvergieren Schätzer in Wahrscheinlichkeit gegen den wahren Parameter und, reskaliert mit der Quadratwurzel der Stichprobengröße, konvergieren sie gegen eine Normalverteilung, was Standardfehler und Wald-Konfidenzintervalle rechtfertigt.
- M-Schätzung und empirische Prozesse
- Schätzer, die ein Stichprobenkriterium maximieren oder Schätzgleichungen lösen, werden einheitlich mittels der Theorie empirischer Prozesse analysiert, welche die uniformen Gesetze der großen Zahlen und die zentralen Grenzwertsätze liefert, die die Argumente erfordern.
- Lokale asymptotische Normalität und Effizienz
- Le Cams lokale asymptotische Normalität reduziert ein glattes Modell nahe der Wahrheit auf ein normales Experiment; die Faltungs- und lokal-asymptotisch-Minimax-Sätze definieren dann die bestmögliche erreichbare asymptotische Varianz.
Clinical relevance
Asymptotische Approximationen liefern die Standardfehler, Wald- und Likelihood-Ratio-Konfidenzintervalle sowie Stichproben-Tests für große Stichproben, die von praktisch jeder Statistiksoftware ausgegeben werden. Die Gültigkeit routinemäßiger Inferenz in den Wissenschaften beruht daher auf der guten Approximation dieser Grenzwertsätze.
History
Aufbauend auf dem klassischen zentralen Grenzwertsatz entwickelte Le Cam ab den 1950er Jahren die Theorie der Kontiguität, der lokalen asymptotischen Normalität und der asymptotischen Effizienz. Hajeks Faltungssatz und das Programm der empirischen Prozesse des späten zwanzigsten Jahrhunderts, synthetisiert von van der Vaart, vervollständigten den modernen Rahmen.
Key figures
- Lucien Le Cam
- Aad van der Vaart
- Jaroslav Hajek
- Peter J. Bickel
Related topics
Seminal works
- vanderVaart1998
Frequently asked questions
- Warum sollte man sich auf Asymptotik statt auf exakte Verteilungen verlassen?
- Exakte Verteilungen für endliche Stichproben sind in der Regel unbekannt oder nicht handhabbar, wohingegen limitierende Normal- und Chi-Quadrat-Approximationen einfach, breit anwendbar und für moderate Stichprobengrößen genau sind.
- Wie groß muss die Stichprobe sein, damit die Asymptotik anwendbar ist?
- Es gibt keine universelle Antwort; es hängt vom Modell, dem Parameter und der Schiefe der Daten ab. Die Approximationen können für einige Dutzend Beobachtungen ausgezeichnet sein oder für Hunderte nahe einer Grenze schlecht, weshalb Resampling-Überprüfungen üblich sind.