Teoria Assintótica
A teoria assintótica estuda como os estimadores e testes se comportam à medida que o tamanho da amostra cresce indefinidamente, fornecendo aproximações tratáveis quando as distribuições exatas são intratáveis.
Definition
A teoria assintótica é a parte da estatística matemática que deriva distribuições limitantes e aproximações para procedimentos estatísticos à medida que o tamanho da amostra tende ao infinito, e as utiliza para comparar e justificar esses procedimentos.
Scope
Esta área abrange modos de convergência e os teoremas de mapeamento contínuo e de Slutsky, consistência de estimadores, normalidade assintótica e o método delta, M-estimação e Z-estimação como um arcabouço unificador para estimadores definidos por maximização ou equações de estimação, teoria de processos empíricos e leis uniformes e teoremas do limite central sobre classes de funções, contiguidade, normalidade assintótica local, e os teoremas de convolução e local-assintótico-minimax que definem a eficiência assintótica.
Sub-topics
Core questions
- O que significa para um estimador ser consistente e assintoticamente normal?
- Como o método delta propaga a normalidade assintótica através de transformações suaves?
- Como a M-estimação unifica a máxima verossimilhança, mínimos quadrados e estimadores robustos?
- O que é eficiência assintótica e como a teoria de Le Cam caracteriza a melhor variância limitante?
Key theories
- Consistência e normalidade assintótica
- Sob regularidade, os estimadores convergem em probabilidade para o verdadeiro parâmetro e, reescalados pela raiz quadrada do tamanho da amostra, convergem para uma distribuição normal, justificando erros padrão e intervalos de confiança de Wald.
- M-estimação e processos empíricos
- Estimadores que maximizam um critério amostral ou resolvem equações de estimação são analisados uniformemente através da teoria de processos empíricos, que fornece as leis uniformes dos grandes números e os teoremas do limite central que os argumentos exigem.
- Normalidade assintótica local e eficiência
- A normalidade assintótica local de Le Cam reduz um modelo suave próximo da verdade a um experimento normal; os teoremas de convolução e local-assintótico-minimax então definem a melhor variância assintótica alcançável.
Clinical relevance
As aproximações assintóticas fornecem os erros padrão, intervalos de confiança de Wald e de razão de verossimilhança, e testes de grande amostra relatados por praticamente todos os softwares estatísticos, de modo que a validade da inferência rotineira nas ciências repousa na boa aproximação desses teoremas limite.
History
Com base no teorema do limite central clássico, Le Cam desenvolveu a teoria da contiguidade, normalidade assintótica local e eficiência assintótica a partir da década de 1950. O teorema da convolução de Hajek e o programa de processos empíricos do final do século XX, sintetizados por van der Vaart, completaram o arcabouço moderno.
Key figures
- Lucien Le Cam
- Aad van der Vaart
- Jaroslav Hajek
- Peter J. Bickel
Related topics
Seminal works
- vanderVaart1998
Frequently asked questions
- Por que confiar em assintóticos em vez de distribuições exatas?
- As distribuições exatas de amostra finita são geralmente desconhecidas ou intratáveis, enquanto as aproximações normais e qui-quadrado limitantes são simples, amplamente aplicáveis e precisas para tamanhos de amostra moderados.
- Qual deve ser o tamanho da amostra para que os assintóticos se apliquem?
- Não há uma resposta universal; isso depende do modelo, do parâmetro e da assimetria dos dados. As aproximações podem ser excelentes para algumas dezenas de observações ou ruins para centenas perto de um limite, razão pela qual as verificações de reamostragem são comuns.