Consistance et normalité asymptotique

La consistance signifie qu'un estimateur se rapproche de la vraie valeur à mesure que les données s'accumulent ; la normalité asymptotique indique que son erreur, convenablement mise à l'échelle, devient approximativement normale, ce qui confère un sens aux erreurs-types.

Definition

Un estimateur est dit consistent s'il converge en probabilité vers le vrai paramètre à mesure que la taille de l'échantillon augmente, et asymptotiquement normal si l'erreur d'estimation rééchelonnée converge en loi vers une loi normale.

Scope

Ce sujet aborde la convergence en probabilité et en loi, la loi faible des grands nombres et le théorème central limite comme moteurs de la consistance et de la normalité asymptotique, le théorème de l'application continue et le théorème de Slutsky, la méthode delta pour la distribution asymptotique des fonctions lisses d'un estimateur, les transformations stabilisatrices de variance, ainsi que la signification des erreurs-types et des intervalles de confiance qui en résultent.

Core questions

• Comment la loi des grands nombres et le théorème central limite engendrent-ils la consistance et la normalité asymptotique ?
• Que permettent de combiner et de transformer le théorème de Slutsky et le théorème de l'application continue ?
• Comment la méthode delta fournit-elle la variance asymptotique d'une fonction d'un estimateur ?
• Qu'est-ce qu'une transformation stabilisatrice de variance et pourquoi est-elle utilisée ?

Key theories

Consistance

Grâce à la loi des grands nombres et aux arguments de continuité, les estimateurs bien définis convergent en probabilité vers le paramètre qu'ils ciblent, ce qui constitue l'exigence minimale pour un estimateur sensé sur de grands échantillons.

Normalité asymptotique et méthode delta

Le théorème central limite rend l'erreur mise à l'échelle de nombreux estimateurs asymptotiquement normale, et la méthode delta transfère cette normalité, avec une variance transformée, aux fonctions lisses de l'estimateur.

Clinical relevance

La normalité asymptotique autorise la présentation d'une estimation accompagnée d'une erreur-type et d'un intervalle de confiance de Wald ; la méthode delta, en particulier, fournit des erreurs-types pour des quantités dérivées telles que les rapports de cotes (odds ratios), les rapports de moyennes et les probabilités prédites dans l'ensemble des sciences appliquées.

History

Le théorème central limite a mûri de Laplace à Lyapunov et Lindeberg au début du XXe siècle. Le traité de Cramer de 1946 a placé la consistance, la normalité asymptotique et la méthode delta au centre des statistiques mathématiques, où elles demeurent.

Key figures

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

Seminal works

• vanderVaart1998

Frequently asked questions

La consistance implique-t-elle que l'estimateur est sans biais ?

Non. Un estimateur consistent peut être biaisé sur des échantillons finis ; la consistance exige seulement que le biais et la variance s'annulent tous deux à mesure que la taille de l'échantillon augmente, de sorte que l'estimateur se concentre sur la vraie valeur à la limite.

Que fait la méthode delta ?

Elle fournit la distribution approximative d'une fonction lisse d'un estimateur asymptotiquement normal en linéarisant la fonction, produisant la valeur de la fonction plus une erreur normale dont la variance est mise à l'échelle par la dérivée au carré.