En estadística : la teoría asintótica , o teoría de muestras grandes , es un marco para evaluar las propiedades de los estimadores y las pruebas estadísticas . Dentro de este marco, a menudo se supone que el tamaño de la muestra n puede crecer indefinidamente; las propiedades de los estimadores y las pruebas se evalúan luego por debajo del límite de n → ∞ . En la práctica, una evaluación límite se considera aproximadamente válida también para tamaños de muestra finitos grandes. [1]
Resumen [ editar ]
La mayoría de los problemas estadísticos comienzan con un conjunto de datos de tamaño n . La teoría asintótica procede asumiendo que es posible (en principio) seguir recopilando datos adicionales, por lo que el tamaño de la muestra crece infinitamente, es decir, n → ∞ . Bajo el supuesto, se pueden obtener muchos resultados que no están disponibles para muestras de tamaño finito. Un ejemplo es la ley débil de los grandes números . La ley establece que para una secuencia de variables aleatorias independientes e idénticamente distribuidas (IID) X 1 , X 2 , ... , si se extrae un valor de cada variable aleatoria y el promedio de los primeros n valores se calcula como X n , entonces X n convergen en probabilidada la media poblacionalE [ X i ]cuando n → ∞ . [2]
En la teoría asintótica, el enfoque estándar es n → ∞ . Para algunos modelos estadísticos , se pueden utilizar enfoques ligeramente diferentes de asintóticos. Por ejemplo, con datos de panel , comúnmente se asume que una dimensión en los datos permanece fija, mientras que la otra dimensión crece: T = constante y N → ∞ , o viceversa. [2]
Además del enfoque estándar de la asintótica, existen otros enfoques alternativos:
- Dentro del marco de normalidad asintótica local , se supone que el valor del "parámetro verdadero" en el modelo varía ligeramente con n , de modo que el modelo n -ésimo corresponde a θ n = θ + h / √ n . Este enfoque nos permite estudiar la regularidad de los estimadores .
- Cuando se estudian las pruebas estadísticas por su poder para distinguir de las alternativas cercanas a la hipótesis nula, se hace dentro del marco de las llamadas "alternativas locales": la hipótesis nula es H 0 : θ = θ 0 y la alternativa es H 1 : θ = θ 0 + h / √ n . Este enfoque es especialmente popular para las pruebas de raíz unitaria .
- Hay modelos en los que la dimensión del espacio de parámetros Θ n lentamente se expande con n , lo que refleja el hecho de que los más observaciones existen, los efectos más estructurales se pueden incorporar factible en el modelo.
- En la estimación de la densidad del kernel y la regresión del kernel , se asume un parámetro adicional: el ancho de banda h . En esos modelos, normalmente se considera que h → 0 como n → ∞ . Sin embargo, la tasa de convergencia debe elegirse con cuidado, generalmente h ∝ n −1/5 .
En muchos casos, se pueden obtener resultados muy precisos para muestras finitas mediante métodos numéricos (es decir, computadoras); incluso en tales casos, sin embargo, el análisis asintótico puede ser útil. Small (2010 , §1.4) señaló este punto de la siguiente manera.
Un objetivo principal del análisis asintótico es obtener una comprensión cualitativa más profunda de las herramientas cuantitativas . Las conclusiones de un análisis asintótico a menudo complementan las conclusiones que pueden obtenerse mediante métodos numéricos.
Modos de convergencia de variables aleatorias [ editar ]
Propiedades asintóticas [ editar ]
Estimadores [ editar ]
Coherencia [ editar ]
Se dice que una secuencia de estimaciones es coherente si converge en probabilidad con el valor real del parámetro que se está estimando:
Es decir, hablando aproximadamente con una cantidad infinita de datos, el estimador (la fórmula para generar las estimaciones) daría casi con seguridad el resultado correcto para el parámetro que se está estimando. [2]
Distribución asintótica [ editar ]
Si es posible encontrar secuencias de constantes no aleatorias { a n } , { b n } (posiblemente dependiendo del valor de θ 0 ), y una distribución no degenerada G tal que
entonces la secuencia de estimadores se dice que tiene la distribución asintótica G .
Muy a menudo, los estimadores que se encuentran en la práctica son asintóticamente normales , lo que significa que su distribución asintótica es la distribución normal , con a n = θ 0 , b n = √ n y G = N (0, V ) :
Regiones de confianza asintóticas [ editar ]
Teoremas asintóticos [ editar ]
- Teorema del límite central
- Teorema de mapeo continuo
- Teorema de Glivenko-Cantelli
- Ley de los grandes números
- Ley del logaritmo iterado
- Teorema de slutsky
- Método delta
Ver también [ editar ]
- Análisis asintótico
- Estadísticas exactas
- Teoría de las grandes desviaciones
Referencias [ editar ]
- ^ Höpfner, R. (2014), Estadísticas asintóticas, Walter de Gruyter. 286 pag. ISBN 3110250241 , ISBN 978-3110250244
- ^ a b c A.DasGupta. Teoría asintótica de la estadística y la probabilidad (2008) 756 pag. ISBN 0387759700 , ISBN 978-0387759708
Bibliografía [ editar ]
- Balakrishnan, N .; Ibragimov, IAVB; Nevzorov, VB, eds. (2001), Métodos asintóticos en probabilidad y estadística con aplicaciones , Birkhäuser , ISBN 9781461202097
- Borovkov, AA ; Borovkov, KA (2010), Análisis asintótico de paseos aleatorios , Cambridge University Press CS1 maint: discouraged parameter (link)
- Buldygin, VV; Solntsev, S. (1997), Comportamiento asintótico de sumas de variables aleatorias transformadas linealmente , Springer, ISBN 9789401155687
- Le Cam, Lucien ; Yang, Grace Lo (2000), Asymptotics in Statistics (2a ed.), Springer CS1 maint: discouraged parameter (link)
- Dawson, D .; Kulik, R .; Ould Haye, M .; Szyszkowicz, B .; Zhao, Y., eds. (2015), Leyes y métodos asintóticos en estocásticos , Springer-Verlag
- Höpfner, R. (2014), Estadística asintótica , Walter de Gruyter
- Lin'kov, Yu. N. (2001), Métodos estadísticos asintóticos para procesos estocásticos , American Mathematical Society
- Oliveira, PE (2012), Asintóticos para variables aleatorias asociadas , Springer
- Petrov, VV (1995), Teoremas del límite de la teoría de la probabilidad , Oxford University Press
- Sen, PK; Cantante, JM; Pedroso de Lima, AC (2009), De la muestra finita a los métodos asintóticos en estadística , Cambridge University Press
- Shiryaev, AN; Spokoiny, VG (2000), Experimentos y decisiones estadísticos: teoría asintótica , World Scientific
- Small, CG (2010), Expansiones y asintóticas para estadística , Chapman & Hall
- van der Vaart, AW (1998), Estadísticas asintóticas , Cambridge University Press