असिम्टोटिक दक्षता और ले कैम सिद्धांत

ले कैम का सिद्धांत यह स्पष्ट करता है कि एक अनुमानक (estimator) असिम्टोटिक रूप से सबसे अच्छा क्यों होता है, सत्य के निकट एक सहज मॉडल को एक साधारण सामान्य प्रयोग के साथ अनुमानित करके।

Definition

एक नियमित अनुमानक असिम्टोटिक रूप से कुशल होता है यदि इसका सीमित विचरण कनवोल्यूशन और स्थानीय-असिम्टोटिक-मिनिमैक्स प्रमेयों द्वारा निर्धारित निचली सीमा को प्राप्त करता है, जो कि एक सहज पैरामीट्रिक मॉडल में व्युत्क्रम फिशर सूचना के समतुल्य है।

Scope

यह विषय संस्पर्शिता (contiguity) और ले कैम के लेम्मा, सहज पैरामीट्रिक मॉडल की स्थानीय असिम्टोटिक सामान्यता, सीमित गाऊसी शिफ्ट प्रयोग, हाजेक का कनवोल्यूशन प्रमेय जो दर्शाता है कि किसी भी नियमित अनुमानक की सीमा कुशल एक प्लस स्वतंत्र शोर है, स्थानीय-असिम्टोटिक-मिनिमैक्स प्रमेय, असिम्टोटिक दक्षता की परिणामी परिभाषा, और कुशल प्रभाव फ़ंक्शन (efficient influence function) और सुप्रेफिशिएंसी की भूमिका को शामिल करता है।

Core questions

• स्थानीय असिम्टोटिक सामान्यता क्या है, और यह एक मॉडल को सामान्य प्रयोग में क्यों कम करती है?
• कनवोल्यूशन प्रमेय एक अनुमानक के सर्वोत्तम संभव सीमित वितरण को कैसे दर्शाता है?
• स्थानीय-असिम्टोटिक-मिनिमैक्स प्रमेय सबसे खराब स्थिति के जोखिम के बारे में क्या जोड़ता है?
• सुप्रेफिशिएंसी केवल एक नगण्य सेट पर ही क्यों संभव है, और कुशल प्रभाव फ़ंक्शन क्या है?

Key theories

स्थानीय असिम्टोटिक सामान्यता

सहज मॉडलों के लिए, स्थानीय पैरामीटर गड़बड़ी के साथ लॉग-लाइकलीहुड अनुपात एक गाऊसी शिफ्ट प्रयोग के समान व्यवहार करता है, इसलिए मूल मॉडल के बारे में प्रश्न एक ट्रैक्टेबल सामान्य समस्या में कम हो जाते हैं।

कनवोल्यूशन और स्थानीय-असिम्टोटिक-मिनिमैक्स प्रमेय

हाजेक का कनवोल्यूशन प्रमेय दर्शाता है कि किसी भी नियमित अनुमानक का सीमा नियम कुशल सामान्य नियम है जो स्वतंत्र शोर के साथ कनवोल्यूटेड है, और स्थानीय-असिम्टोटिक-मिनिमैक्स प्रमेय सबसे खराब स्थिति के स्थानीय जोखिम को सीमित करता है, संयुक्त रूप से असिम्टोटिक दक्षता को परिभाषित करता है।

Clinical relevance

ले कैम का सिद्धांत असिम्टोटिक दक्षता का बेंचमार्क प्रदान करता है जिसके विरुद्ध अनुमानकों का मूल्यांकन किया जाता है और यह कुशल और अर्ध-पैरामीट्रिक-कुशल अनुमानकों के निर्माण का आधार है, जिसमें कारण अनुमान (causal inference) और लक्षित शिक्षण (targeted learning) में उपयोग की जाने वाली प्रभाव-फ़ंक्शन विधियाँ शामिल हैं।

History

ले कैम ने 1950 के दशक से संस्पर्शिता और स्थानीय असिम्टोटिक सामान्यता विकसित की, जिससे सुप्रेफिशिएंसी जैसे लंबे समय से चले आ रहे पहेलियों को सुलझाया गया। हाजेक ने 1970 के आसपास कनवोल्यूशन और स्थानीय-असिम्टोटिक-मिनिमैक्स प्रमेयों को सिद्ध किया, और इस ढांचे को बाद में सदी में अर्ध-पैरामीट्रिक मॉडल तक बढ़ाया गया।

Key figures

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

Seminal works

• vanderVaart1998

Frequently asked questions

सुप्रेफिशिएंसी क्या है?

यह एक ऐसी घटना है, जिसे हॉजेस के उदाहरण से समझाया गया है, जिसमें एक अनुमानक अलग-अलग पैरामीटर मानों पर कुशल असिम्टोटिक विचरण को हरा देता है; कनवोल्यूशन प्रमेय दर्शाता है कि यह केवल शून्य माप के एक सेट पर और आस-पास के खराब व्यवहार की कीमत पर हो सकता है।

एक मॉडल को सामान्य प्रयोग द्वारा अनुमानित क्यों किया जाता है?

क्योंकि सीमित गाऊसी शिफ्ट प्रयोग को पूरी तरह से समझा गया है, इसलिए इष्टतमता के प्रश्न जो मूल मॉडल में असाध्य हैं, वहां उत्तर दिए जा सकते हैं और स्थानीय असिम्टोटिक सामान्यता के माध्यम से वापस स्थानांतरित किए जा सकते हैं।