如果√,则参数θ的估计量序列渐近正态。(来源)然后将v称为Un的渐近方差。如果此方差等于Cramer-Rao界,则我们说估计量/序列渐近有效。
问题:为什么使用特别是 n?
我知道,对于样本均值,,因此该选择将其标准化。但是,由于上述定义适用于比样本均值多,为什么我们仍然选择通过规范化√。
如果√,则参数θ的估计量序列渐近正态。(来源)然后将v称为Un的渐近方差。如果此方差等于Cramer-Rao界,则我们说估计量/序列渐近有效。
问题:为什么使用特别是 n?
我知道,对于样本均值,,因此该选择将其标准化。但是,由于上述定义适用于比样本均值多,为什么我们仍然选择通过规范化√。
Answers:
我们不能在这里选择。本质上,“归一化”因子是“稳定到某个有限的方差”因子,以便表达式不会随着样本量达到无穷大而变为零或无穷大,而是保持分布在极限。
因此,无论哪种情况,它都必须是必需的。当然,有趣的是,在许多情况下,它必须是。(但另请参见下面的@whuber评论)。
一个标准示例,其中归一化因子必须为 而不是√是当我们有一个模型时
与白噪声,我们估计未知β 通过普通最小二乘法。
如果发生这种情况,则系数的真实值为,则OLS估计量是一致的并且收敛于通常的√率。
但是,如果真实值是(即我们实际上是纯随机游动),则OLS估计量是一致的,但会以速率n收敛“更快” (有时称为“超一致”估计量-因为,我想有这么多估计量以√速率收敛)。
在这种情况下,为了得到其(非正常)渐近分布,我们有比例( β -β)通过Ñ(如果我们仅通过缩放 √
表达式将变为零)。汉密尔顿第17章有详细信息。