ทำไม


18

ลำดับของตัวประมาณค่าUnสำหรับพารามิเตอร์θนั้นเป็นสัญญาณเชิงเส้นกำกับปกติหากn(Unθ)N(0,v)) (แหล่งที่มา) แล้วเราเรียกvแปรปรวน asymptotic ของUnn หากความแปรปรวนนี้มีค่าเท่ากับCramer-Rao ที่ถูกผูกไว้เราบอกว่าตัวประมาณ / ลำดับนั้นมีประสิทธิภาพแบบเชิงเส้นกำกับ

คำถาม:ทำไมเราถึงใช้nโดยเฉพาะอย่างยิ่ง?

ฉันรู้ว่าสำหรับค่าเฉลี่ยตัวอย่างและดังนั้นตัวเลือกนี้ทำให้มันเป็นมาตรฐาน แต่เนื่องจากคำจำกัดความข้างต้นนำไปใช้กับค่าเฉลี่ยตัวอย่างมากกว่าเหตุใดเราจึงยังคงเลือกที่จะทำให้เป็นมาตรฐานโดยVar(X¯)=σ2n .n


2
สำหรับประมาณการที่ดีควรจะมีค่าเฉลี่ยθพารามิเตอร์ที่มีการประมาณและความแปรปรวนของU nควรจะมาบรรจบกันเพื่อ0 , ที่อยู่, การกระจายของU nควรจะมาบรรจบกับการกระจายเลวกับอะตอมเดียวที่θ แต่มีหลายวิธีที่การบรรจบกันนี้สามารถเกิดขึ้นได้เช่นU nU ( θ - 1 / n , θ + 1 / n )หรือU nN ( θUnθUn0UnθUnU(θ1/n,θ+1/n)UnN(θ,v/n)ฯลฯ เราต้องการใช้ soubriquet asymptotically ปกติกับคดีหลัง แต่ไม่ใช่คดีเดิม
Dilip Sarwate

1
ตัวประมาณที่มีประสิทธิภาพเป็นอาการปกติ en.wikipedia.org/wiki/…
Khashaa

1
คำถามนี้อาจตั้งชื่อได้ดีกว่าว่า "ภาวะปกติเชิงเส้นกำกับ" แทนที่จะเป็น "ประสิทธิภาพเชิงเส้นกำกับ"? ไม่ชัดเจนสำหรับฉันที่ "ประสิทธิภาพ" กลายเป็นประเด็นสำคัญของคำถามมากกว่าเพียงบริบทที่พบ "ภาวะปกติเชิงเส้นกำกับ" พบ
Silverfish

มีเพียงแค่ต้องตรวจสอบหลักฐานของ asymptotic normality ของ MLE! สแควร์รูทคือทำให้ทฤษฎีบทขีด จำกัด กลางใช้ได้กับค่าเฉลี่ยตัวอย่าง! n
Megadeth

คำตอบ:


15

เราไม่ได้เลือกที่นี่ ปัจจัย "normalizing" ในสาระสำคัญคือ "ความแปรปรวน - เสถียรภาพกับบางสิ่งบางอย่าง จำกัด " ดังนั้นสำหรับการแสดงออกที่จะไม่ไปที่ศูนย์หรือไม่มีที่สิ้นสุดเมื่อขนาดตัวอย่างไปไม่มีที่สิ้นสุด แต่เพื่อรักษาการกระจายตัวที่ขีด จำกัด

ดังนั้นจะต้องเป็นสิ่งที่มันจะต้องมีในแต่ละกรณี แน่นอนว่ามันเป็นเรื่องที่น่าสนใจในหลาย ๆ กรณีที่มันโผล่ออกมานั่นเองมีที่จะ . (แต่ดูความคิดเห็นของ @ whuber ด้านล่าง)n

ตัวอย่างมาตรฐานที่ปัจจัยการทำให้เป็นมาตรฐานจะต้องเป็น nแทนที่จะเป็นnคือเมื่อเรามีแบบจำลอง

yt=βyt1+ut,y0=0,t=1,...,T

กับutเสียงสีขาวและเราประเมินที่ไม่รู้จัก โดยสแควร์สน้อยธรรมดาβ

ถ้ามันเกิดขึ้นว่าค่าที่แท้จริงของสัมประสิทธิ์คือ|β|<1แล้ว OLS ประมาณการมีความสอดคล้องและลู่ที่ปกติอัตรา nn

แต่ถ้าหากค่าที่แท้จริงคือ (นั่นคือเรามีการเดินแบบสุ่มบริสุทธิ์) จากนั้นตัวประมาณค่า OLS จะสอดคล้องกัน แต่จะรวมตัวกัน "เร็ว" ในอัตราnβ=1n (บางครั้งเรียกว่าตัวประมาณ "superconsistent" ฉันเดาว่าผู้ประเมินหลายคนมารวมกันที่อัตรา ) ในกรณีนี้จะได้รับ (ที่ไม่ปกติ) การกระจาย asymptotic ของเรามีขนาด( β -β)โดยnn
(β^β)n (ถ้าเราขนาดเพียงนิพจน์จะเป็นศูนย์) แฮมิลตัน ch 17nมีรายละเอียด


2
Alecos คุณสามารถอธิบายสิ่งที่ประมาณในโมเดล (ที่ฉันเข้าใจว่าคุณหมายถึงy 0 = 0และการสังเกตถูกบันทึกไว้1 , 2 และอื่น ๆ ) มันก็คือว่าในรูปแบบY T = β Y T - 1 + U t OLS ประมาณการβลู่ในอัตราyt=yt1+ut,u0=0y0=01,2,yt=βyt1+utβ^สำหรับ| β| <1แต่เมื่อβ=1 การบรรจบกันอยู่ที่อัตราnหรือเป็นกรณีที่ในรูปแบบyt=βy t - 1 +utการลู่เข้าหากันอยู่ที่อัตราnหรือไม่? กล่าวโดยย่อความหมายของคำว่า "และβ=1คือการเดินแบบสุ่มบริสุทธิ์" คืออะไร? n|β|<1β=1nyt=βyt1+utnβ=1
Dilip Sarwate

@DilipSarwate ขอบคุณ Updated ฉันเชื่อว่าตอนนี้ชัดเจน
Alecos Papadopoulos

4
(+1) มันอาจจะคุ้มค่าและให้คำแนะนำที่จะต้องทราบว่าการเลือก (หรือnหรืออะไรก็ตามที่อาจเหมาะสม) นั้นไม่ซ้ำกัน ในสถานที่ของคุณอาจใช้ใด ๆฟังก์ชั่นF(n)ซึ่งค่า จำกัด ของF(n)/nnf(n)เท่ากับความสามัคคี มันมีความหมายกว้างกว่าเท่านั้นที่f"ต้องเป็นทุกอย่างที่มันเป็น" f(n)/nf
whuber

1
@Khashaa The OP asked about asymptotic efficiency, but in the process, it was revealed that the OP might had the wrong impression about "normalizing" factors. This is a more fundamental issue, so I chose to cover this in my answer. Nothing is said in my answer about efficiency.
Alecos Papadopoulos

2
Perhaps it is worth mentioning in your answer that the case with n rather than n is called "superconsistent"? Currently the only other mention of "superconsistent" on CV which the site's search function can pick up is another one by Alecos! I think it's a good idea to make Qs and As more search-friendly.
Silverfish

1

You were on the right track with a sample mean variance intuition. Re-arrange the condition:

n(Unθ)N(0,v)
(Unθ)N(0,v)n
UnN(θ,vn)

The last equation is informal. However, it's in some way more intuitive: you say that the deviation of Un from θ is becoming more like a normal distribution when n increases. The variance is shrinking, but the shape becomes closer to normal distribution.

In math they don't define the convergence to the changing right hand side (n is varying). That's why the same idea is expressed as the original condition, that you gave. In which the right hand side is fixed, and the left hand side converges to it.


You could explain how you do the "re-arrangements". Like what properties you apply.
mavavilj
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.