Teoría Asintótica
La teoría asintótica estudia cómo se comportan los estimadores y las pruebas a medida que el tamaño de la muestra crece sin límite, proporcionando aproximaciones manejables cuando las distribuciones exactas son intratables.
Definition
La teoría asintótica es la parte de la estadística matemática que deriva distribuciones límite y aproximaciones para procedimientos estadísticos a medida que el tamaño de la muestra tiende a infinito, y las utiliza para comparar y justificar dichos procedimientos.
Scope
Esta área cubre los modos de convergencia y los teoremas de mapeo continuo y Slutsky, la consistencia de los estimadores, la normalidad asintótica y el método delta, la estimación M y Z como un marco unificador para los estimadores definidos por la maximización o las ecuaciones de estimación, la teoría de procesos empíricos y las leyes uniformes y los teoremas del límite central sobre clases de funciones, la contigüidad, la normalidad asintótica local y los teoremas de convolución y minimax asintótico local que definen la eficiencia asintótica.
Sub-topics
Core questions
- ¿Qué significa que un estimador sea consistente y asintóticamente normal?
- ¿Cómo propaga el método delta la normalidad asintótica a través de transformaciones suaves?
- ¿Cómo unifica la estimación M la máxima verosimilitud, los mínimos cuadrados y los estimadores robustos?
- ¿Qué es la eficiencia asintótica y cómo caracteriza la teoría de Le Cam la mejor varianza límite?
Key theories
- Consistencia y normalidad asintótica
- Bajo regularidad, los estimadores convergen en probabilidad al verdadero parámetro y, reescalados por la raíz cuadrada del tamaño de la muestra, convergen a una distribución normal, justificando los errores estándar y los intervalos de confianza de Wald.
- Estimación M y procesos empíricos
- Los estimadores que maximizan un criterio muestral o resuelven ecuaciones de estimación se analizan uniformemente mediante la teoría de procesos empíricos, que proporciona las leyes uniformes de los grandes números y los teoremas del límite central que requieren los argumentos.
- Normalidad asintótica local y eficiencia
- La normalidad asintótica local de Le Cam reduce un modelo suave cerca de la verdad a un experimento normal; los teoremas de convolución y minimax asintótico local definen entonces la mejor varianza asintótica alcanzable.
Clinical relevance
Las aproximaciones asintóticas proporcionan los errores estándar, los intervalos de confianza de Wald y de razón de verosimilitud, y las pruebas de muestras grandes reportadas por prácticamente todo el software estadístico, por lo que la validez de la inferencia rutinaria en las ciencias se basa en que estos teoremas límite se cumplan con una buena aproximación.
History
Basándose en el teorema del límite central clásico, Le Cam desarrolló la teoría de la contigüidad, la normalidad asintótica local y la eficiencia asintótica a partir de la década de 1950. El teorema de convolución de Hajek y el programa de procesos empíricos de finales del siglo XX, sintetizados por van der Vaart, completaron el marco moderno.
Key figures
- Lucien Le Cam
- Aad van der Vaart
- Jaroslav Hajek
- Peter J. Bickel
Related topics
Seminal works
- vanderVaart1998
Frequently asked questions
- ¿Por qué confiar en las asintóticas en lugar de en las distribuciones exactas?
- Las distribuciones exactas de muestra finita suelen ser desconocidas o intratables, mientras que las aproximaciones normales y chi-cuadrado límite son simples, ampliamente aplicables y precisas para tamaños de muestra moderados.
- ¿Qué tan grande debe ser la muestra para que se apliquen las asintóticas?
- No hay una respuesta universal; depende del modelo, el parámetro y la asimetría de los datos. Las aproximaciones pueden ser excelentes para unas pocas docenas de observaciones o deficientes para cientos cerca de un límite, por lo que las comprobaciones de remuestreo son comunes.