Une séquence d'estimateurs pour un paramètre est asymptotiquement normale si . ( source ) On appelle alors la variance asymptotique de . Si cette variance est égale à la borne de Cramer-Rao , nous disons que l'estimateur / séquence est asymptotiquement efficace. θ √U n
Question: Pourquoi utilisons-nous en particulier ?
Je sais que pour la moyenne de l'échantillon, et donc ce choix le normalise. Mais comme les définitions ci-dessus s'appliquent à plus que la moyenne de l'échantillon, pourquoi choisissons-nous toujours de normaliser par .
estimation
asymptotics
efficiency
Aucune idée
la source
la source
Réponses:
Nous n'avons pas le choix ici. Le facteur de "normalisation", en substance, est un facteur de "stabilisation de la variance à quelque chose de fini", de sorte que l'expression ne doit pas aller à zéro ou à l'infini car la taille de l'échantillon va à l'infini, mais pour maintenir une distribution à la limite.
Il doit donc être ce qu'il doit être dans chaque cas. Bien sûr, il est intéressant de constater que, dans de nombreux cas, il apparaît qu'il doit être . (mais voir aussi le commentaire de @ whuber ci-dessous).n−−√
Un exemple standard où le facteur de normalisation doit être , plutôt que est quand nous avons un modèle√n n−−√
avec bruit blanc, et nous estimons l'inconnu par les moindres carrés ordinaires. βut β
S'il se trouve que la vraie valeur du coefficient est , alors l'estimateur OLS est cohérent et converge au taux habituel . √|β|<1 n−−√
Mais si à la place la vraie valeur est (c'est-à-dire que nous avons en réalité une marche aléatoire pure), alors l'estimateur OLS est cohérent mais convergera "plus rapidement", au taux (on l'appelle parfois un estimateur "supercohérent" car, je suppose, tant d'estimateurs convergent au taux ). Dans ce cas, pour obtenir son (non normale) distribution asymptotique, nous avons à l' échelle par (si nous escaladons que par l'expression ira à zéro). Hamilton ch 17 a les détails.n √β=1 n ( β -β)n √n−−√
(β^−β) n n−−√
la source
Vous étiez sur la bonne voie avec un échantillon d'intuition de la variance moyenne. Réorganisez la condition:
(Un-θ)→ N ( 0 , v )
La dernière équation est informelle . Cependant, c'est en quelque sorte plus intuitif: vous dites que l'écart de rapport à θ ressemble davantage à une distribution normale lorsque n augmente. La variance diminue, mais la forme se rapproche de la distribution normale.Un θ n
la source