Асимптотическая теория
Асимптотическая теория изучает поведение оценок и тестов при неограниченном увеличении размера выборки, предоставляя удобные аппроксимации в случаях, когда точные распределения являются трудноразрешимыми.
Definition
Асимптотическая теория — это раздел математической статистики, который выводит предельные распределения и аппроксимации для статистических процедур при стремлении размера выборки к бесконечности, а также использует их для сравнения и обоснования этих процедур.
Scope
Эта область охватывает режимы сходимости и теоремы о непрерывном отображении и Слуцкого, состоятельность оценок, асимптотическую нормальность и дельта-метод, M- и Z-оценивание как унифицированную основу для оценок, определяемых максимизацией или оценочными уравнениями, теорию эмпирических процессов и равномерные законы, а также центральные предельные теоремы для классов функций, смежность, локальную асимптотическую нормальность и теоремы о свертке и локальном асимптотическом минимаксе, определяющие асимптотическую эффективность.
Sub-topics
Core questions
- Что означает состоятельность и асимптотическая нормальность оценки?
- Как дельта-метод распространяет асимптотическую нормальность через гладкие преобразования?
- Как M-оценивание объединяет максимальное правдоподобие, метод наименьших квадратов и робастные оценки?
- Что такое асимптотическая эффективность и как теория Ле Кама характеризует наилучшую предельную дисперсию?
Key theories
- Состоятельность и асимптотическая нормальность
- При соблюдении условий регулярности оценки сходятся по вероятности к истинному параметру и, масштабированные на квадратный корень из размера выборки, сходятся к нормальному распределению, что обосновывает стандартные ошибки и доверительные интервалы Вальда.
- M-оценивание и эмпирические процессы
- Оценки, максимизирующие выборочный критерий или решающие оценочные уравнения, анализируются единообразно с помощью теории эмпирических процессов, которая предоставляет равномерные законы больших чисел и центральные предельные теоремы, необходимые для аргументации.
- Локальная асимптотическая нормальность и эффективность
- Локальная асимптотическая нормальность Ле Кама сводит гладкую модель вблизи истинного значения к нормальному эксперименту; теоремы о свертке и локальном асимптотическом минимаксе затем определяют наилучшую достижимую асимптотическую дисперсию.
Clinical relevance
Асимптотические аппроксимации обеспечивают стандартные ошибки, доверительные интервалы Вальда и отношения правдоподобия, а также крупновыборочные тесты, сообщаемые практически всем статистическим программным обеспечением, поэтому обоснованность рутинного вывода в науках основывается на том, что эти предельные теоремы дают хорошее приближение.
History
Опираясь на классическую центральную предельную теорему, Ле Кам с 1950-х годов разрабатывал теорию смежности, локальной асимптотической нормальности и асимптотической эффективности. Теорема о свертке Хайека и программа эмпирических процессов конца двадцатого века, синтезированная ван дер Ваартом, завершили современную структуру.
Key figures
- Lucien Le Cam
- Aad van der Vaart
- Jaroslav Hajek
- Peter J. Bickel
Related topics
Seminal works
- vanderVaart1998
Frequently asked questions
- Почему следует полагаться на асимптотику, а не на точные распределения?
- Точные распределения для конечной выборки обычно неизвестны или трудноразрешимы, тогда как предельные нормальные и хи-квадрат аппроксимации просты, широко применимы и точны для умеренных размеров выборки.
- Насколько большой должна быть выборка для применимости асимптотики?
- Универсального ответа нет; это зависит от модели, параметра и асимметрии данных. Аппроксимации могут быть превосходными для нескольких десятков наблюдений или плохими для сотен вблизи границы, поэтому часто используются проверки с помощью перевыборки.