Efficacité asymptotique et théorie de Le Cam

La théorie de Le Cam précise ce que signifie pour un estimateur d'être asymptotiquement le meilleur, en approximant un modèle régulier près de la vérité par une expérience normale simple.

Definition

Un estimateur régulier est asymptotiquement efficace si sa variance limite atteint la borne inférieure établie par les théorèmes de convolution et local-asymptotique-minimax, ce qui équivaut à l'information de Fisher inverse dans un modèle paramétrique régulier.

Scope

Ce sujet couvre la contiguïté et les lemmes de Le Cam, la normalité asymptotique locale des modèles paramétriques réguliers, l'expérience de décalage gaussien limite, le théorème de convolution de Hajek montrant que la limite de tout estimateur régulier est celle de l'estimateur efficace plus un bruit indépendant, le théorème local-asymptotique-minimax, la définition conséquente de l'efficacité asymptotique, ainsi que le rôle de la fonction d'influence efficace et de la super-efficacité.

Core questions

• Qu'est-ce que la normalité asymptotique locale, et pourquoi réduit-elle un modèle à une expérience normale ?
• Comment le théorème de convolution caractérise-t-il la meilleure distribution limite possible d'un estimateur ?
• Qu'apporte le théorème local-asymptotique-minimax concernant le risque dans le pire des cas ?
• Pourquoi la super-efficacité n'est-elle possible que sur un ensemble négligeable, et qu'est-ce que la fonction d'influence efficace ?

Key theories

Normalité asymptotique locale

Pour les modèles réguliers, le rapport de log-vraisemblance le long des perturbations locales des paramètres se comporte comme celui d'une expérience de décalage gaussien, de sorte que les questions concernant le modèle original se réduisent à un problème normal traitable.

Théorèmes de convolution et local-asymptotique-minimax

Le théorème de convolution de Hajek montre que la loi limite de tout estimateur régulier est la loi normale efficace convolée avec un bruit indépendant, et le théorème local-asymptotique-minimax borne le risque local dans le pire des cas, définissant conjointement l'efficacité asymptotique.

Clinical relevance

La théorie de Le Cam fournit le critère d'efficacité asymptotique par rapport auquel les estimateurs sont évalués et sous-tend la construction d'estimateurs efficaces et semi-paramétriques efficaces, y compris les méthodes basées sur les fonctions d'influence utilisées en inférence causale et en apprentissage ciblé (targeted learning).

History

Le Cam a développé la contiguïté et la normalité asymptotique locale à partir des années 1950, résolvant des énigmes de longue date telles que la super-efficacité. Hajek a démontré les théorèmes de convolution et local-asymptotique-minimax vers 1970, et le cadre a été étendu aux modèles semi-paramétriques plus tard dans le siècle.

Key figures

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

Seminal works

• vanderVaart1998

Frequently asked questions

Qu'est-ce que la super-efficacité ?

C'est le phénomène, illustré par l'exemple de Hodges, où un estimateur surpasse la variance asymptotique efficace pour des valeurs de paramètres isolées ; le théorème de convolution montre que cela ne peut se produire que sur un ensemble de mesure nulle et au prix d'un comportement moins bon à proximité.

Pourquoi approximer un modèle par une expérience normale ?

Parce que l'expérience de décalage gaussien limite est entièrement comprise, ainsi les questions d'optimalité qui sont insolubles dans le modèle original peuvent y être résolues et retransférées via la normalité asymptotique locale.