Consistência e Normalidade Assintótica

A consistência indica que um estimador se aproxima da verdade à medida que os dados se acumulam; a normalidade assintótica significa que seu erro, devidamente escalado, se torna aproximadamente normal, o que confere significado aos erros padrão.

Definition

Um estimador é consistente se converge em probabilidade para o verdadeiro parâmetro à medida que o tamanho da amostra aumenta, e assintoticamente normal se o erro de estimação reescalado converge em distribuição para uma lei normal.

Scope

Este tópico abrange a convergência em probabilidade e em distribuição, a lei fraca dos grandes números e o teorema do limite central como os motores da consistência e da normalidade assintótica, o teorema do mapeamento contínuo e o teorema de Slutsky, o método delta para a distribuição assintótica de funções suaves de um estimador, as transformações estabilizadoras de variância e o significado dos erros padrão e intervalos de confiança resultantes.

Core questions

• Como a lei dos grandes números e o teorema do limite central produzem consistência e normalidade assintótica?
• O que o teorema de Slutsky e o teorema do mapeamento contínuo permitem combinar e transformar?
• Como o método delta fornece a variância assintótica de uma função de um estimador?
• O que é uma transformação estabilizadora de variância e por que é usada?

Key theories

Consistência

Pela lei dos grandes números e argumentos de continuidade, estimadores bem-comportados convergem em probabilidade para o parâmetro que visam, o requisito mínimo de grandes amostras para um estimador sensato.

Normalidade assintótica e o método delta

O teorema do limite central torna o erro escalado de muitos estimadores assintoticamente normal, e o método delta transfere essa normalidade, com uma variância transformada, para funções suaves do estimador.

Clinical relevance

A normalidade assintótica é o que permite relatar uma estimativa com um erro padrão e um intervalo de confiança de Wald; o método delta, em particular, fornece erros padrão para quantidades derivadas, como razões de chances (odds ratios), razões de médias e probabilidades preditas em toda a ciência aplicada.

History

O teorema do limite central amadureceu de Laplace, passando por Lyapunov e Lindeberg, no início do século XX. O tratado de Cramer de 1946 colocou a consistência, a normalidade assintótica e o método delta no centro da estatística matemática, onde permanecem.

Key figures

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

Seminal works

• vanderVaart1998

Frequently asked questions

A consistência implica que o estimador é não viesado?

Não. Um estimador consistente pode ser viesado em amostras finitas; a consistência apenas exige que tanto o viés quanto a variância desapareçam à medida que o tamanho da amostra aumenta, de modo que o estimador se concentre no valor verdadeiro no limite.

O que o método delta faz?

Ele fornece a distribuição aproximada de uma função suave de um estimador assintoticamente normal, linearizando a função, produzindo o valor da função mais um erro normal cuja variância é escalada pelo quadrado da derivada.