В статистике : асимптотическая теория или теория большой выборки - это основа для оценки свойств оценок и статистических тестов . В рамках этой структуры часто предполагается, что размер выборки n может расти бесконечно; затем свойства оценок и тестов оцениваются при n → ∞ . На практике оценка предела считается приблизительно действительной и для больших конечных размеров выборки. [1]
Обзор [ править ]
Большинство статистических задач начинаются с набора данных размера n . Асимптотическая теория исходит из предположения, что можно (в принципе) продолжать сбор дополнительных данных, таким образом, что размер выборки растет бесконечно, т. Е. N → ∞ . При таком предположении можно получить множество результатов, недоступных для выборок конечного размера. Примером может служить слабый закон больших чисел . Закон гласит, что для последовательности независимых и одинаково распределенных (IID) случайных величин X 1 , X 2 ,… , если одно значение извлекается из каждой случайной величины и среднее значение первых n значений вычисляется какX n , то X n сходятся по вероятностик среднему значениюE [ X i ]при n → ∞ . [2]
В асимптотической теории стандартный подход - n → ∞ . Для некоторых статистических моделей могут использоваться несколько иные подходы к асимптотике. Например, для панельных данных обычно предполагается, что одно измерение в данных остается фиксированным, тогда как другое измерение растет: T = константа и N → ∞ , или наоборот. [2]
Помимо стандартного подхода к асимптотике, существуют другие альтернативные подходы:
- В рамках локальной асимптотической нормальности предполагается, что значение «истинного параметра» в модели незначительно изменяется с n , так что n -я модель соответствует θ n = θ + h / √ n . Такой подход позволяет исследовать регулярность оценок .
- Когда статистические тесты изучаются на предмет их способности отличать альтернативы, близкие к нулевой гипотезе, это делается в рамках так называемых «локальных альтернатив»: нулевая гипотеза - H 0 : θ = θ 0, а альтернатива - H 1 : θ = θ 0 + h / √ n . Этот подход особенно популярен для тестов на единичный корень .
- Существуют модели, в которых размерность пространства параметров Θ n медленно увеличивается вместе с n , отражая тот факт, что чем больше имеется наблюдений, тем больше структурных эффектов можно реально включить в модель.
- В оценке ядра плотности и ядро регрессии , дополнительный параметр предполагаются, полосы пропускания часов . В этих моделях обычно считается, что h → 0 при n → ∞ . Тем не менее, скорость сходимости следует выбирать осторожно, обычно h ∝ n −1/5 .
Во многих случаях высокоточные результаты для конечных выборок могут быть получены с помощью численных методов (т. Е. Компьютеров); Однако даже в таких случаях может оказаться полезным асимптотический анализ. Этот момент был сделан Смоллом (2010 , §1.4) следующим образом.
Основная цель асимптотического анализа - получить более глубокое качественное понимание количественных инструментов. Выводы асимптотического анализа часто дополняют выводы, которые можно получить численными методами.
Режимы сходимости случайных величин [ править ]
Асимптотические свойства [ править ]
Оценщики [ править ]
Последовательность [ править ]
Последовательность оценок называется непротиворечивой , если она сходится по вероятности к истинному значению оцениваемого параметра:
То есть, грубо говоря, с бесконечным количеством данных оценщик (формула для генерации оценок) почти наверняка даст правильный результат для оцениваемого параметра. [2]
Асимптотическое распределение [ править ]
Если возможно найти последовательности неслучайных констант { a n } , { b n } (возможно, в зависимости от значения θ 0 ) и невырожденное распределение G такие, что
то последовательность оценок называется иметь асимптотическое распределение G .
Чаще всего встречающиеся на практике оценки являются асимптотически нормальными , что означает, что их асимптотическое распределение является нормальным распределением с a n = θ 0 , b n = √ n и G = N (0, V ) :
Асимптотические доверительные области [ править ]
Асимптотические теоремы [ править ]
- Центральная предельная теорема
- Теорема о непрерывном отображении
- Теорема Гливенко – Кантелли.
- Закон больших чисел
- Закон повторного логарифма
- Теорема Слуцкого
- Дельта-метод
См. Также [ править ]
- Асимптотический анализ
- Точная статистика
- Теория больших отклонений
Ссылки [ править ]
- ^ Хопфнер, R. (2014), Асимптотический статистик, Вальтер де Gruyter. 286 стр. ISBN 3110250241 , ISBN 978-3110250244
- ^ а б в А.ДасГупта. Асимптотическая теория статистики и вероятностей (2008) 756 стр. ISBN 0387759700 , ISBN 978-0387759708
Библиография [ править ]
- Балакришнан, Н .; Ибрагимов, МАВБ; Невзоров В.Б., ред. (2001), Асимптотические методы в вероятности и статистике с приложениями , Birkhäuser , ISBN 9781461202097
- Боровков, АА ; Боровков К.А. (2010), Асимптотический анализ случайных блужданий , Cambridge University Press.
- Булдыгин, В.В.; Солнцев С. (1997), Асимптотическое поведение линейно преобразованных сумм случайных величин , Springer, ISBN 9789401155687
- Ле Кам, Люсьен ; Янг, Грейс Ло (2000), Асимптотика в статистике (2-е изд.), Springer
- Dawson, D .; Кулик, Р .; Ould Haye, M .; Szyszkowicz, B .; Чжао, Ю., ред. (2015), Асимптотические законы и методы в стохастике , Springer-Verlag
- Хёпфнер, Р. (2014), Асимптотическая статистика , Вальтер де Грюйтер
- Линьков, Ю. Н. (2001), Асимптотические статистические методы для случайных процессов , Американское математическое общество
- Оливейра, PE (2012), Асимптотика для связанных случайных величин , Springer
- Петров В.В. (1995), Предельные теоремы теории вероятностей , Oxford University Press
- Сен, ПК; Певица, JM; Педросо де Лима, AC (2009), От конечной выборки к асимптотическим методам в статистике , Cambridge University Press
- Ширяев, АН; Спокойный, В.Г. (2000), Статистические эксперименты и решения: асимптотическая теория , World Scientific
- Смолл, CG (2010), Расширения и асимптотики для статистики , Chapman & Hall
- ван дер Ваарт, AW (1998), Асимптотическая статистика , Cambridge University Press