渐近效率与Le Cam理论
Le Cam理论通过将真实值附近的平滑模型近似为简单的正态实验，精确地阐明了估计量渐近最优的含义。
用 PaperMind 寻找选题即将推出Find papers & topics
Tools & resources
Learn & explore
视频即将推出
Definition
如果一个正则估计量的极限方差达到了由卷积定理和局部渐近极小极大定理设定的下界，即平滑参数模型中Fisher信息的逆，那么它就是渐近有效的。
Scope
本主题涵盖了邻近性（contiguity）和Le Cam引理、平滑参数模型的局部渐近正态性、极限高斯位移实验、Hajek的卷积定理（表明任何正则估计量的极限是有效估计量加上独立噪声）、局部渐近极小极大定理、渐近效率的相应定义，以及有效影响函数和超效率的作用。
Core questions
- 什么是局部渐近正态性，为什么它能将模型简化为正态实验？
- 卷积定理如何刻画估计量可能达到的最佳极限分布？
- 局部渐近极小极大定理对最坏情况风险有何补充？
- 为什么超效率只可能在一个可忽略的集合上发生，以及什么是有效影响函数？
Key theories
- 局部渐近正态性
- 对于平滑模型，沿局部参数扰动的对数似然比表现得像高斯位移实验的对数似然比，因此关于原始模型的问题可以简化为可处理的正态问题。
- 卷积定理和局部渐近极小极大定理
- Hajek的卷积定理表明，任何正则估计量的极限分布是有效正态分布与独立噪声的卷积，局部渐近极小极大定理则限制了最坏情况下的局部风险，共同定义了渐近效率。
Clinical relevance
Le Cam理论为评估估计量提供了渐近效率的基准，并构成了高效和半参数高效估计量构建的基础，包括因果推断和目标学习中使用的影响函数方法。
History
Le Cam从20世纪50年代开始发展邻近性和局部渐近正态性，解决了超效率等长期存在的难题。Hajek在1970年左右证明了卷积定理和局部渐近极小极大定理，该框架在本世纪后期扩展到半参数模型。
Key figures
- Lucien Le Cam
- Jaroslav Hajek
- Aad van der Vaart
- Peter J. Bickel
Related topics
Seminal works
- vanderVaart1998
Frequently asked questions
- 什么是超效率？
- 这是一种现象，由Hodges的例子说明，即估计量在孤立的参数值上超越了有效的渐近方差；卷积定理表明这只能发生在测度为零的集合上，并且会以附近更差的行为为代价。
- 为什么用正态实验来近似模型？
- 因为极限高斯位移实验已完全理解，所以原始模型中难以处理的最优性问题可以在那里得到解答，并通过局部渐近正态性转换回来。