美文网首页
03 Asymptotic normality in estim

03 Asymptotic normality in estim

作者: 顾劝劝 | 来源:发表于2021-07-02 18:13 被阅读0次

本章提要:

  • 经验过程的一些符号
  • 一致性
  • 渐进正态和泰勒展开
  • Fisher Information

符号

Pf:=\int fdP = \int_{\mathcal X} f(x) dP(x)
比如对经验分布P_n=\dfrac{1}{n}\sum_{i=1}^n 1_{X_i},经验过程就可以写成
P_n(A)=\dfrac{1}{n} card(\{i \in [n]:X_i\in A\}),\ P_nf=\dfrac{1}{n} \sum_{i=1}^n f(X_i)
再比如MLE估计可以写成
\hat \theta_n = \argmax_{\theta \in \Theta}P_n l_\theta(X),\ l_\theta(X):=\log p_\theta(X)

一致性

先定义identifiable,也就是一个P只能估计出一个\theta:
A model \{ P_\theta \}_{\theta \in \Theta} is identifiable if P_\theta\neq P_{\theta'} for all \theta \neq \theta' \in \Theta.

有限\Theta的一致性定理

Assume that \{ P_\theta \} is identifiable and card(\Theta)<\infty. Then \hat \theta_n \xrightarrow{p}\theta under P_\theta.

  • 无限的时候通常也成立,不过有时有例外;
  • 通常一致性是论据最难的部分;
  • 是很多结论的充分条件,比如
    • 一致收敛 \sup_{\theta \in \Theta}|P_n l_\theta-P l_\theta|\xrightarrow{p}0 for X_i \sim P
    • 凸性 when \theta \mapsto l_\theta(x) is convex ( or concave when maximizing)

Fisher Information

I(\theta):\mathbb E_\theta[\nabla l_\theta(X)\nabla l_\theta(X)^T]
如果期望和求导可以交换(interchangeable)那I(\theta)=-\mathbb E[\nabla^2 l_\theta(X)]

渐进正态

\sqrt{n} (\hat \theta_n -\theta)\xrightarrow{d} N\left(0,(P_{\theta_0}\nabla^2l_{\theta_0})^{-1} I_{\theta_0}(P_{\theta_0}\nabla^2l_{\theta_0})^{-1}\right)=N(0,I_\theta^{-1})

这个方差就是Cramer Rao bounds

  • information 有可加性,两个事情的信息就是两个信息加起来。
  • 它不会告诉你是不是有偏
  • information bounds只是关于渐进无偏的估计提供了一点点信息
  • 狭窄地适用于平方误差

相关文章

网友评论

      本文标题:03 Asymptotic normality in estim

      本文链接:https://www.haomeiwen.com/subject/hpaeultx.html