Consistencia y Normalidad Asintótica

La consistencia indica que un estimador se aproxima al valor verdadero a medida que se acumulan los datos; la normalidad asintótica significa que su error, escalado adecuadamente, se vuelve aproximadamente normal, lo que confiere significado a los errores estándar.

Definition

Un estimador es consistente si converge en probabilidad al verdadero parámetro a medida que el tamaño de la muestra aumenta, y asintóticamente normal si el error de estimación reescalado converge en distribución a una ley normal.

Scope

Este tema abarca la convergencia en probabilidad y en distribución, la ley débil de los grandes números y el teorema del límite central como motores de la consistencia y la normalidad asintótica, el teorema de mapeo continuo y el teorema de Slutsky, el método delta para la distribución asintótica de funciones suaves de un estimador, las transformaciones estabilizadoras de la varianza, y el significado de los errores estándar e intervalos de confianza resultantes.

Core questions

• ¿Cómo la ley de los grandes números y el teorema del límite central producen consistencia y normalidad asintótica?
• ¿Qué permiten combinar y transformar el teorema de Slutsky y el teorema de mapeo continuo?
• ¿Cómo el método delta proporciona la varianza asintótica de una función de un estimador?
• ¿Qué es una transformación estabilizadora de la varianza y por qué se utiliza?

Key theories

Consistencia

Por la ley de los grandes números y argumentos de continuidad, los estimadores bien comportados convergen en probabilidad al parámetro que tienen como objetivo, el requisito mínimo de muestra grande para un estimador sensato.

Normalidad asintótica y el método delta

El teorema del límite central hace que el error escalado de muchos estimadores sea asintóticamente normal, y el método delta transfiere esa normalidad, con una varianza transformada, a funciones suaves del estimador.

Clinical relevance

La normalidad asintótica es lo que autoriza a informar una estimación con un error estándar y un intervalo de confianza de Wald; el método delta, en particular, proporciona errores estándar para cantidades derivadas como razones de posibilidades (odds ratios), razones de medias y probabilidades predichas en toda la ciencia aplicada.

History

El teorema del límite central maduró desde Laplace hasta Lyapunov y Lindeberg a principios del siglo XX. El tratado de Cramer de 1946 colocó la consistencia, la normalidad asintótica y el método delta en el centro de la estadística matemática, donde permanecen.

Key figures

• Pierre-Simon Laplace
• Aleksandr Lyapunov
• Harald Cramer
• Aad van der Vaart

Seminal works

• vanderVaart1998

Frequently asked questions

¿La consistencia implica que el estimador es insesgado?

No. Un estimador consistente puede ser sesgado en muestras finitas; la consistencia solo requiere que tanto el sesgo como la varianza desaparezcan a medida que el tamaño de la muestra crece, de modo que el estimador se concentre en el valor verdadero en el límite.

¿Qué hace el método delta?

Proporciona la distribución aproximada de una función suave de un estimador asintóticamente normal al linealizar la función, produciendo el valor de la función más un error normal cuya varianza se escala por la derivada al cuadrado.