추정기의 시퀀스 파라미터에 대한 경우 점근 정상 . (소스) 우리는 다음 통화의 점근 분산. 이 분산이Cramer-Rao bound와같으면추정기 / 시퀀스가 점진적으로 효율적이라고합니다.
질문 : 왜 우리는 √ 를 사용합니까특히 n ?
표본 평균의 경우 이 선택은 그것을 정규화합니다. 그러나 위의 정의가 표본 평균보다 더 많이 적용되므로 왜 우리는 여전히√로 정규화하기로 선택합니까? .
추정기의 시퀀스 파라미터에 대한 경우 점근 정상 . (소스) 우리는 다음 통화의 점근 분산. 이 분산이Cramer-Rao bound와같으면추정기 / 시퀀스가 점진적으로 효율적이라고합니다.
질문 : 왜 우리는 √ 를 사용합니까특히 n ?
표본 평균의 경우 이 선택은 그것을 정규화합니다. 그러나 위의 정의가 표본 평균보다 더 많이 적용되므로 왜 우리는 여전히√로 정규화하기로 선택합니까? .
답변:
우리는 여기서 선택할 수 없습니다 . "정규화"요소는 본질적으로 "무한한 것에 대한 분산 안정화"요소입니다. 따라서 표본 크기가 무한대로 갈 때식이 0이되거나 무한대로되지 않고 한계에서 분포를 유지합니다.
따라서 각 경우에 무엇이든지 있어야합니다. 물론 많은 경우에 그것이 것을 나온다 것은 흥미 롭다 가 될 . (하지만 아래 @whuber의 의견도 참조하십시오).
정규화 계수가 √가 아닌 이어야하는 표준 예 은 모델이있을 때입니다
와 백색 잡음을 우리는 알 수없는 추정 β를 정규 방정식에 의해.
그런 경우 계수의 실제 값은 후 일치하여 OLS입니다 추정하고 평소에 수렴 √ 비율.
그러나 그 대신에 실제 값이 (즉, 실제로 순수한 랜덤 보행을 가짐) OLS 추정기는 일관되지만 속도가 빠르면서 "빠르게"수렴됩니다.(이는 "초 일관성"추정기라고도 함). 많은 견적자가 속도 √로 수렴합니다. ).
이 경우, 그 (수직이 아닌)의 점근 분포를 얻기 위해, 우리는이눈금( β -β)에 의해N
우리 만 확장하는 경우 ( 표현식이 0이됩니다). 해밀턴 ch 17 에 자세한 내용이 있습니다.
표본 평균 분산 직감으로 올바른 길을 가고 있습니다. 조건을 다시 정렬하십시오.
(Un−θ)→ N ( 0 , v )
마지막 방정식은 비공식적 입니다. 그러나, 어떤 방법으로 더 직관적 : 당신의 편차 말할 에서 θ가 더 정규 분포처럼되고 n은 증가한다. 분산이 줄어들지 만 모양이 정규 분포에 가까워집니다.
수학에서는 오른쪽으로 변화하는 수렴을 정의하지 않습니다 ( 은 변합니다 ). 그렇기 때문에 동일한 아이디어가 원래 조건과 동일하게 표현됩니다. 오른쪽이 고정되고 왼쪽이 수렴합니다.