เราไม่ได้เลือกที่นี่ ปัจจัย "normalizing" ในสาระสำคัญคือ "ความแปรปรวน - เสถียรภาพกับบางสิ่งบางอย่าง จำกัด " ดังนั้นสำหรับการแสดงออกที่จะไม่ไปที่ศูนย์หรือไม่มีที่สิ้นสุดเมื่อขนาดตัวอย่างไปไม่มีที่สิ้นสุด แต่เพื่อรักษาการกระจายตัวที่ขีด จำกัด
ดังนั้นจะต้องเป็นสิ่งที่มันจะต้องมีในแต่ละกรณี แน่นอนว่ามันเป็นเรื่องที่น่าสนใจในหลาย ๆ กรณีที่มันโผล่ออกมานั่นเองมีที่จะ . (แต่ดูความคิดเห็นของ @ whuber ด้านล่าง)n−−√
ตัวอย่างมาตรฐานที่ปัจจัยการทำให้เป็นมาตรฐานจะต้องเป็น nแทนที่จะเป็นn−−√คือเมื่อเรามีแบบจำลอง
yt=βyt−1+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 17n−−√มีรายละเอียด