В статистике локальная асимптотическая нормальность — это свойство последовательности статистических моделей , которое позволяет асимптотически аппроксимировать эту последовательность моделью нормального местоположения после соответствующего изменения масштаба параметра. Важным примером соблюдения локальной асимптотической нормальности является случай выборки iid из регулярной параметрической модели .
Понятие локальной асимптотической нормальности было введено Ле Камом (1960) и является фундаментальным при рассмотрении эффективности оценок и тестов . [1]
Определение
Последовательность параметрических статистических моделей { P n,θ : θ ∈ Θ } называется локально асимптотически нормальной (LAN) в точке θ , если существуют матрицы r n и I θ и случайный вектор Δ n,θ ~ N (0, I θ ) такой, что для любой сходящейся последовательности h n → h , [2]
![{\displaystyle \ln {\frac {dP_{\!n,\theta +r_{n}^{-1}h_{n}}}{dP_{n,\theta }}}=h'\Delta _{ n,\theta }-{\frac {1}{2}}h'I_{\theta }\,h+o_{P_{n,\theta }}(1),}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
где производная здесь — это производная Радона–Никодима , которая представляет собой формализованную версию отношения правдоподобия , и где o — это тип большого O в записи вероятности . Другими словами, локальное отношение правдоподобия должно сходиться по распределению к нормальной случайной величине, среднее значение которой равно минус половине дисперсии:
![{\displaystyle \ln {\frac {dP_{\!n,\theta +r_{n}^{-1}h_{n}}}{dP_{n,\theta }}}\ \ {\xrightarrow {d }}\ \ {\mathcal {N}}{\Big (}{-{\tfrac {1}{2}}}h'I_{\theta }\,h,\ h'I_{\theta }\, ч{\Большой)}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Последовательности распределений и смежны . [2]![{\displaystyle P_{\!n,\theta +r_{n}^{-1}h_{n}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle P_{n,\theta}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Пример
Самый простой пример модели локальной сети — это модель iid, вероятность которой дважды непрерывно дифференцируема. Предположим , { X 1 , X 2 , …, X n } является выборкой iid, где каждый X i имеет функцию плотности f ( x , θ ) . Функция правдоподобия модели равна
![{\displaystyle p_{n,\theta }(x_{1},\ldots,x_{n};\,\theta)=\prod _{i=1}^{n}f(x_{i},\ тэта).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Если f дважды непрерывно дифференцируема по θ , то
![{\displaystyle {\begin{aligned}\ln p_ {n,\theta +\delta \theta } &\approx \ln p_ {n,\theta }+\delta \theta '{\frac {\partial \ln p_ {n,\theta }}{\partial \theta }}+{\frac {1}{2}}\delta \theta '{\frac {\partial ^{2}\ln p_{n,\theta }} {\partial \theta \,\partial \theta '}}\delta \theta \\&=\ln p_{n,\theta }+\delta \theta '\sum _{i=1}^{n}{ \frac {\partial \ln f(x_{i},\theta )}{\partial \theta }}+{\frac {1}{2}}\delta \theta '{\bigg [}\sum _{ i=1}^{n}{\frac {\partial ^{2}\ln f(x_{i},\theta )}{\partial \theta \,\partial \theta '}}{\bigg ]} \delta \theta .\end{aligned}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Подключаюсь , дает![{\displaystyle \delta \theta =h/{\sqrt {n}}}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
![{\displaystyle \ln {\frac {p_{n,\theta +h/{\sqrt {n}}}}{p_{n,\theta }}}=h'{\Bigg (}{\frac {1 }{\sqrt {n}}}\sum _{i=1}^{n}{\frac {\partial \ln f(x_{i},\theta )}{\partial \theta }}{\Bigg )}\;-\;{\frac {1}{2}}h'{\Bigg (}{\frac {1}{n}}\sum _{i=1}^{n}-{\frac {\partial ^{2}\ln f(x_{i},\theta )}{\partial \theta \,\partial \theta '}}{\Bigg )}h\;+\;o_{p}( 1).}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
По центральной предельной теореме первое слагаемое (в скобках) сходится по распределению к нормальной случайной величине Δ θ ~ N (0, I θ ) , тогда как по закону больших чисел выражение во вторых скобках сходится по вероятности к I θ , которая представляет собой информационную матрицу Фишера :
![{\displaystyle I_{\theta }=\mathrm {E} {\bigg [}{-{\frac {\partial ^{2}\ln f(X_{i},\theta)}{\partial \theta \ ,\partial \theta '}}}{\bigg ]}=\mathrm {E} {\bigg [}{\bigg (}{\frac {\partial \ln f(X_{i},\theta )}{ \partial \theta }}{\bigg )}{\bigg (}{\frac {\partial \ln f(X_{i},\theta )}{\partial \theta }}{\bigg )}'\, {\бигг ]}.}](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)
Таким образом, определение локальной асимптотической нормальности выполнено, и мы подтвердили, что параметрическая модель с iid-наблюдениями и дважды непрерывно дифференцируемым правдоподобием обладает свойством LAN.
Смотрите также
Примечания
- ^ Ваарт, А.В. ван дер (13 октября 1998 г.). Асимптотическая статистика. Издательство Кембриджского университета. ISBN 978-0-511-80225-6.
- ^ Аб ван дер Ваарт (1998, стр. 103–104)
Рекомендации
- Ибрагимов И.А.; Хасьминский, Р.З. (1981). Статистическое оценивание: асимптотическая теория . Спрингер-Верлаг. ISBN 0-387-90523-5.
- Ле Кам, Л. (1960). «Локально асимптотически нормальные семейства распределений». Публикации Калифорнийского университета по статистике . 3 : 37–98.
- ван дер Ваарт, AW (1998). Асимптотическая статистика . Издательство Кембриджского университета. ISBN 978-0-521-78450-4.