这是造成问题的更一般的处理 这个问题。在得出样本方差的渐近分布之后,我们可以应用Delta方法得出标准差的相应分布。
设一个大小为的iid 非正态随机变量,均值和方差。将样本均值和样本方差设置为 { X i } ,
我们知道
其中,我们将注意力集中在需要存在且有限的矩,确实存在且为有限矩的分布上。
它持有吗
这是造成问题的更一般的处理 这个问题。在得出样本方差的渐近分布之后,我们可以应用Delta方法得出标准差的相应分布。
设一个大小为的iid 非正态随机变量,均值和方差。将样本均值和样本方差设置为 { X i } ,
我们知道
其中,我们将注意力集中在需要存在且有限的矩,确实存在且为有限矩的分布上。
它持有吗
Answers:
为了避免在考虑样本方差时出现的依赖性,我们写
稍加操作后,
因此
操纵
项渐近地变为1。术语是确定的,随着变为零。√Ñ→交通∞
我们也有。第一个分量在分布上收敛为法线,第二个分量在概率上收敛为零。然后根据Slutsky定理,乘积收敛到零的概率,
我们留下了这个词
@whuber在对此答案的评论中提供了一个致命示例,对此我们,我们想确定不是常数。Whuber指出,如果为伯努利则该数量为常数。因此,排除发生这种情况的变量(也许其他二分法,而不仅仅是二进制?),剩下的就是X 我(1 / 2 )0 / 1
因此,所研究的术语是古典中心极限定理的一个常见主题,并且
注意:以上结果当然也适用于正态分布的样本-但在最后一种情况下,我们还提供了有限样本卡方分布结果。
您已经对问题有详细的答案,但是让我提供另一个答案。实际上,基于以下事实,可以提供更短的证明:
不依赖于。渐近地,是否将因子更改为也无关紧要,为方便起见,我将这样做。然后我们有1 1
现在我们假设不失一般性,,我们注意到
由于第二项受概率限制(由CLT和连续映射定理确定),所以它的概率极限为零,即为。现在,根据Slutzky定理和CLT得出渐近结果,因为
其中。这样就可以了。
Alecos和JohnK的出色答案已经得出了您想要的结果,但是我想说明一下有关样本方差的渐近分布的其他信息。
看到使用正态分布呈现的渐近结果是很常见的,这对于陈述定理很有用。但是,实际上,样本统计量的渐近分布的目的是,当大时,它可以使您获得近似分布。您可以为大样本逼近做出很多选择,因为许多分布具有相同的渐近形式。在样本方差的情况下,我认为大的极佳近似分布由下式给出:
其中和是峰度参数。该分布渐近等效于从定理得出的正态近似值(随着自由度趋于无穷大,卡方分布收敛于正态)。尽管存在这种等效关系,但您仍希望近似分布具有各种其他属性:
与直接从定理中得出的正态近似不同,此分布为关注统计量提供了正确的支持。样本方差是非负的,并且此分布具有非负的支持。
在基础值呈正态分布的情况下,这种近似值实际上就是精确的采样分布。(在这种情况下,我们有给出了,这是大多数文本中使用的标准格式。)因此,它构成的结果在一个重要的特殊情况下是精确的,同时仍然是一个合理的近似值。更一般的情况。
上述结果的推导:O'Neill(2014)详细讨论了样本均值和方差的近似分布结果,并且本文提供了许多结果的推导,包括当前的近似分布。
该推导从问题的极限结果开始:
重新排列此结果,我们得到近似值:
由于卡方分布是渐近正态的,因此我们有:
取(产生上述公式),得出,确保卡方分布是渐近的。等效于极限定理的正态近似。