极限理论总结04:Delta方法
06.Delta 方法
如果我们有估计量TnT_nTn用来估计参数θ\thetaθ。若 TnT_nTn以某种收敛到θ\thetaθ并且ggg连续,由连续映射定理可知相应的g(Tn)g(T_n)g(Tn)也收敛到g(θ)g(\theta)g(θ)。当n(Tn−θ)\sqrt{n} (T_n-\theta)n(Tn−θ)收敛到某一分布时,在一定条件下根据以下Delta方法可以得到n(g(Tn)−g(θ))\sqrt{n} (g(T_n)-g(\theta))n(g(Tn)−g(θ))也会收敛到某一分布。
定理 6.1(一元Delta方法):设 n(Tn−θ)→dN(0,σ2(θ))\sqrt{n}\left(T_{n}-\theta\right) \stackrel{d}{\rightarrow} N\left(0, \sigma^{2}(\theta)\right)n(Tn−θ)→dN(0,σ2(θ)). 令 g:R↦Rg: \mathbb{R} \mapsto \mathbb{R}g:R↦R 在 θ\thetaθ 可微且 g′(θ)≠0.g^{\prime}(\theta) \neq 0 .g′(θ)=0. 则
n{g(Tn)−g(θ)}→dN(0,{g′(θ)}2σ2(θ))\sqrt{n}\left\{g\left(T_{n}\right)-g(\theta)\right\} \stackrel{d}{\rightarrow} N\left(0,\left\{g^{\prime}(\theta)\right\}^{2} \sigma^{2}(\theta)\right) n{g(Tn)−g(θ)}→dN(0,{g′(θ)}2σ2(θ))
更一般地,设 rn(Tn−θ)→dTr_{n}\left(T_{n}-\theta\right) \stackrel{d}{\rightarrow} Trn(Tn−θ)→dT ,其中 TTT为随机变量 (不一定服从正态分布), rn→∞r_{n} \rightarrow \inftyrn→∞ (并不一定为 n1/2n^{1 / 2}n1/2 )。如果 ggg 在 θ\thetaθ可微且 g′(θ)≠0g^{\prime}(\theta) \neq 0g′(θ)=0, 则
rn{g(Tn)−g(θ)}→dg′(θ)Tr_{n}\left\{g\left(T_{n}\right)-g(\theta)\right\} \stackrel{d}{\rightarrow} g^{\prime}(\theta) T rn{g(Tn)−g(θ)}→dg′(θ)T
如果 g′(θ)=0g^{\prime}(\theta)=0g′(θ)=0, 那么得到的极限分布为一退化分布。则对g(Tn)g(T_n)g(Tn)考虑更高阶的展开
g(Tn)=g(θ)+g′′(θ)(Tn−θ)22+op{(Tn−θ)2}g\left(T_{n}\right)=g(\theta)+g^{\prime \prime}(\theta) \frac{\left(T_{n}-\theta\right)^{2}}{2}+o_{p}\left\{\left(T_{n}-\theta\right)^{2}\right\} g(Tn)=g(θ)+g′′(θ)2(Tn−θ)2+op{(Tn−θ)2}
则有
n{g(Tn)−g(θ)}=g′′(θ){n(Tn−θ)}22+op(1)→dg′′(θ)σ2(θ)2χ12\begin{aligned} n\left\{g\left(T_{n}\right)-g(\theta)\right\} &=g^{\prime \prime}(\theta) \frac{\left\{\sqrt{n}\left(T_{n}-\theta\right)\right\}^{2}}{2}+o_{p}(1) \\ & \stackrel{d}{\rightarrow} \frac{g^{\prime \prime}(\theta) \sigma^{2}(\theta)}{2} \chi_{1}^{2} \end{aligned} n{g(Tn)−g(θ)}=g′′(θ)2{n(Tn−θ)}2+op(1)→d2g′′(θ)σ2(θ)χ12
由此给出定理6.2
定理6.2:设 n(Tn−θ)→dN(0,σ2(θ))\sqrt{n}\left(T_{n}-\theta\right) \stackrel{d}{\rightarrow} N\left(0, \sigma^{2}(\theta)\right)n(Tn−θ)→dN(0,σ2(θ)). 令 g:R↦Rg: \mathbb{R} \mapsto \mathbb{R}g:R↦R 在 θ\thetaθ k阶可微且 g(j)(θ)=0g^{(j)}(\theta)=0g(j)(θ)=0 ∀j<k\forall j<k∀j<k 但 g(k)(θ)≠0g^{(k)}(\theta) \neq 0g(k)(θ)=0. 则
nk/2{g(Tn)−g(θ)}→dg(k)(θ)σk(θ)k!{N(0,1)}kn^{k / 2}\left\{g\left(T_{n}\right)-g(\theta)\right\} \stackrel{d}{\rightarrow} \frac{g^{(k)}(\theta) \sigma^{k}(\theta)}{k !}\{N(0,1)\}^{k} nk/2{g(Tn)−g(θ)}→dk!g(k)(θ)σk(θ){N(0,1)}k
例:设 X1,X2,…,XnX_{1}, X_{2}, \ldots, X_{n}X1,X2,…,Xn 为 i.i.d.随机变量有均值 μ\muμ, 方差 σ2\sigma^{2}σ2 且有 E(X14)<∞\mathrm{E}\left(X_{1}^{4}\right)<\inftyE(X14)<∞。由CMT即Slutsky定理知 n(Sn2−σ2)→dN(0,μ4−σ4)\sqrt{n}\left(S_{n}^{2}-\sigma^{2}\right) \stackrel{d}{\rightarrow} N\left(0, \mu_{4}-\sigma^{4}\right)n(Sn2−σ2)→dN(0,μ4−σ4)。令g(x)=xg(x)=\sqrt{x}g(x)=x,由Delta方法可知n(Sn−σ)→dN(0,μ4−σ44σ2)\sqrt{n}\left(S_{n}-\sigma\right) \stackrel{d}{\rightarrow} N\left(0, \frac{\mu_{4}-\sigma^{4}}{4 \sigma^{2}}\right)n(Sn−σ)→dN(0,4σ2μ4−σ4)
以下给出多元情形Delta方法
定理6.3(Delta方法):设
n(Tn−θ)→dNp(0,Σ(θ))\sqrt{n}\left(\boldsymbol{T}_{n}-\boldsymbol{\theta}\right) \stackrel{d}{\rightarrow} N_{p}(\mathbf{0}, \Sigma(\boldsymbol{\theta}))n(Tn−θ)→dNp(0,Σ(θ)). 令 g:Rp↦Rm\boldsymbol{g}: \mathbb{R}^{p} \mapsto \mathbb{R}^{m}g:Rp↦Rm 在 θ\boldsymbol{\theta}θ 可微且有非零梯度 ∇g(θ)\nabla \mathbf{g}(\boldsymbol{\theta})∇g(θ)。则 n{g(Tn)−g(θ)}→dNm(0,∇⊤g(θ)Σ(θ)∇g(θ))\sqrt{n}\left\{\boldsymbol{g}\left(\boldsymbol{T}_{n}\right)-\boldsymbol{g}(\boldsymbol{\theta})\right\} \stackrel{d}{\rightarrow} N_{m}\left(\mathbf{0}, \nabla^{\top} \boldsymbol{g}(\boldsymbol{\theta}) \Sigma(\boldsymbol{\theta}) \nabla \boldsymbol{g}(\boldsymbol{\theta})\right) n{g(Tn)−g(θ)}→dNm(0,∇⊤g(θ)Σ(θ)∇g(θ))
例:设 X1,X2,…,XnX_{1}, X_{2}, \ldots, X_{n}X1,X2,…,Xn 为 i.i.d.随机变量有均值 μ\muμ, 方差 σ2\sigma^{2}σ2 且有 E(X14)<∞\mathrm{E}\left(X_{1}^{4}\right)<\inftyE(X14)<∞。则有
n(Xˉn−μSn2−σ2)→dN2((00),(σ2μ3μ3μ4−σ4))\sqrt{n}\left(\begin{array}{c}\bar{X}_{n}-\mu \\ S_{n}^{2}-\sigma^{2}\end{array}\right) \stackrel{d}{\rightarrow} N_{2}\left(\left(\begin{array}{l}0 \\ 0\end{array}\right),\left(\begin{array}{cc}\sigma^{2} & \mu_{3} \\ \mu_{3} & \mu_{4}-\sigma^{4}\end{array}\right)\right)n(Xˉn−μSn2−σ2)→dN2((00),(σ2μ3μ3μ4−σ4))
例:方差平稳变换(VST)g(θ)=∫1σ(θ)dθg(\theta)=\int \frac{1}{\sigma(\theta)} \mathrm{d} \thetag(θ)=∫σ(θ)1dθ
极限理论总结04:Delta方法相关推荐
- UA MATH566 统计理论 Cramer-Rao不等式与Delta方法的联系
UA MATH566 统计理论 Cramer-Rao不等式与Delta方法的联系 Delta方法与C-R不等式基本概念回顾 Delta方法近似 C-R不等式近似 推导Delta方法与C-R不等式近似相 ...
- UA MATH564 概率论 QE练习题 概率极限理论
UA MATH564 概率论 QE练习题 概率极限理论 2015/5/3 2016/1/3 这是2015年5月的3题.2016年1月的3题 2015/5/3 这个题干有点意思,有一列随机变量但并不是互 ...
- UA MATH566 统计理论 证明UMVUE的方法
UA MATH566 统计理论 证明UMVUE的方法 方法一 零无偏估计法 方法二 完备充分统计量法 关于UMVUE,我们有下面两个非常常用的结论: Lehmann-Sheffe定理: 如果g(θ^) ...
- 一种基于物理信息极限学习机的PDE求解方法
**作者|**PINN山里娃,作者主页 **研究方向|**物理信息驱动深度学习 不确定性 人工智能 偏微分方程 极限学习机 该作者聚焦深度学习模型与物理信息结合前沿研究,提供了一系列AI for sc ...
- 数学分析-第一章-极限理论
第一章 极限理论1 1.1 数列的极限 1.1.1 数列极限的定义 定义(ϵ−N\epsilon-Nϵ−N) {xn}\{x_n\}{xn}是已知数列,aaa为已知实数,如果对任给ϵ>0\ep ...
- caffe2安装篇(二) ubuntu16.04 安装方法
caffe2 ubuntu16.04 安装方法 Caffe2的安装相比于caffe在安装的时候更加简便,略去了Makefile.config的各种配置,对于有无GPU以及各种可选库例如opencv,a ...
- UA MATH566 统计理论 完备性的证明方法
UA MATH566 统计理论 完备性的证明方法 定义法 完备分布族法 完备性是统计量的非常重要的性质之一,但完备性的证明有时并不是是一件容易的事情,这一讲介绍一些常用的证明完备性的方法:定义法,完备 ...
- 极限理论总结01:随机变量的四种收敛、CMT及Slutsky定理
文章目录 01.极限理论的意义 02.随机变量的收敛性 一些定义与记号 依概率收敛 几乎处处收敛 r阶矩收敛 依分布收敛 几种收敛间的关系 OOO 和ooo 连续映射定理 Slutsky定理 01.极 ...
- 服务拆分理论和原理及方法
服务拆分理论和原理及方法 谈到微服务,议论的最多,吵架的最多的就是服务拆分问题,服务拆分是否合理直接影响到微服务架构的复杂性.稳定性以及可扩展性.然而并没有任何一本书籍或者规范来介绍如何拆分服务,那么 ...
- 概率导论(极限理论)
概率导论-极限理论笔记 前言 马尔可夫和切比雪夫不等式 马尔可夫不等式 切比雪夫不等式 弱大数定律 依概率收敛 中心极限定理 中心极限定理的内容 近似计算 强大数定律 以概率1收敛 前言 讨论的是随机 ...
最新文章
- linux批量es数据,Elasticsearch批量插入数据
- mysql增量备份二进制日志,mysql增量备份二进制日志shell脚本
- 如何免费试用SAP的Fiori应用
- 网易有数的“正确”使用方式——洞察数据中隐藏的故事
- 小心了!一大波存储厂商术语正在靠近
- lnmp团队开发环境docker环境搭建PHP7.2 mac系统为例
- vue 利用科大讯飞实现实时语音转写
- 编程十年 (14):毁人不倦2
- 『杭电1888』Rectangular Polygons
- Topic 12 临床预测模型之列线表 (Nomogram)
- 2017年第26届上海国际连锁加盟展览会会刊(参展商名录)
- 关于数学计算机手抄报简单的,二年级数学简单手抄报图片大全
- AutoIt 对于文件的操作
- 压力测试、负载测试、渗透测试、容量测试、敏感度测试
- 鼠标拾取(光线拾取)
- 从另一个角度去解读Blinker,剖析精简源码,学习开源精神,菜鸟哥还是忍不住对它下手了
- Java项目:蓝天幼儿园管理系统(java+SpringBoot+thymeleaf+html+maven+mysql)
- 【EoSL】Introduction
- easeExcel合并行
- 安徽省计算机2级考试试题,安徽省计算机二级VFP考试理论模拟试题2(附答案)!!!!!!!!...