Sabemos que se um estimador é um estimador imparcial de teta e se sua variância tende a 0 como n tende ao infinito, é um estimador consistente para teta. Mas essa é uma condição suficiente e não necessária. Estou procurando um exemplo de um estimador que seja consistente, mas cuja variação não tenda a 0, pois n tende ao infinito. Alguma sugestão?
8
Respostas:
Considere um processo estocástico de covariância-estacionário correlacionado em série , com média e autocovariâncias . Suponha que (isso limita a "força" da autocorrelação, pois duas realizações do processo estão cada vez mais distantes no tempo). Então nós temos issoμ { γ j } ,{ yt} ,t = 1 , . . . , n μ lim j → ∞ γ j = 0{ γj} ,γj≡ Cov( yt, yt - j) limj → ∞γj= 0
isto é, a média da amostra converge no quadrado médio para a verdadeira média do processo e, portanto, também converge em probabilidade: portanto, é um estimador consistente de .μ
A variação de pode ser encontrada comoy¯n
que é facilmente mostrado para ir a zero quando vai ao infinito.n
Agora, usando o comentário do Cardinal, vamos randomizar ainda mais nosso estimador da média, considerando o estimador
onde é um processo estocástico de variáveis aleatórias independentes que também são independentes dos ', assumindo o valor (parâmetro a ser especificado por nós) com probabilidade , o valor com probabilidade , e zero nos outros casos. Então tem valor e variação esperadosy i uma t um > 0 1 / T 2 - um t 1 / t 2 { z t }{ zt} yEu a t a > 0 1 / t2 - a t 1 / t2 { zt}
O valor esperado e a variação do estimador são, portanto,
Considere a distribuição de probabilidade de, :toma o valor com probabilidade e o valor com probabilidade . assimP ( | z n | ≤ ϵ ) ,| zn| | z n | 0 ( 1 - 2 / n 2 ) a n 2 / n 2P( | zn| ≤ϵ),ε > 0 | zn| 0 0 ( 1 - 2 / n2) a n 2 / n2
o que significa que converge em probabilidade para (enquanto sua variação permanece finita). Portanto 0zn 0 0
portanto, esse estimador aleatório do valor médio do processo estocástico permanece consistente. Mas sua variância não chega a zero quando vai ao infinito, nem ao infinito. ny n
Encerramento, por que toda a elaboração aparentemente inútil com um processo estocástico autocorrelacionado? Como o cardeal qualificou seu exemplo chamando-o de "absurdo", como "apenas para mostrar isso matematicamente, podemos ter um estimador consistente com variação diferente de zero e finita".
Eu queria dar uma dica de que não é necessariamente uma curiosidade, pelo menos em espírito: há momentos na vida real em que novos processos começam, processos criados pelo homem, que tinham a ver com a forma como organizamos nossas vidas e atividades. Embora normalmente os tenhamos projetado e possamos dizer muito sobre eles, eles podem ser tão complexos que são razoavelmente tratados como estocásticos (a ilusão de controle completo sobre tais processos ou de conhecimento a priori completo de sua evolução, processos). que podem representar novas maneiras de comercializar ou produzir, ou organizar a estrutura de direitos e obrigações entre humanos, é apenas isso, uma ilusão). Sendo também novo, não temos realizações acumuladas suficientes delas para fazer inferência estatística confiável sobre como elas evoluirão. Então, correções ad hoc e talvez "subótimas" são, no entanto, um fenômeno real, quando, por exemplo, temos um processo em que acreditamos firmemente que seu presente depende do passado (daí o processo estocástico correlacionado automaticamente), mas na verdade não sabemos saber como ainda (daí a randomização ad hoc, enquanto esperamos que os dados se acumulem para estimar as covariâncias). E talvez um estatístico encontre uma maneira melhor de lidar com esse tipo de grave incerteza - mas muitas entidades precisam funcionar em um ambiente incerto sem o benefício de tais serviços científicos.
Existem estimadores que convergem em probabilidade para uma variável aleatória: o caso da "regressão espúria" vem à mente, onde, se tentarmos regredir dois passeios aleatórios independentes (ou seja, processos estocásticos não estacionários) um sobre o outro, usando a estimativa de mínimos quadrados ordinários , o estimador OLS convergirá para uma variável aleatória.
Mas não existe um estimador consistente com variação diferente de zero, porque a consistência é definida como a convergência na probabilidade de um estimador para uma constante que, por concepção, tem variação zero.
fonte
Pegue qualquer amostra da distribuição com expectativa finita e variação infinita ( Pareto com por exemplo) .Em seguida, a média da amostra convergirá para a expectativa devido à lei ou a grandes números (o que requer apenas a existência da média) e a variação será infinita.α ∈ ( 1 , 2 ]
fonte
Deixe-me dar um exemplo de uma sequência de variável aleatória convergindo para zero em probabilidade, mas com variação infinita. Em essência, um estimador é apenas uma variável aleatória; portanto, com um pouco de abstração, você pode ver que a convergência em probabilidade para uma constante não implica em variação próxima de zero.
Considere a variável aleatória em onde a medida de probabilidade considerada é a medida de Lebesgue. Claramente, mas para todos para que sua variação não chegue a zero.ξn( x ) : = χ[ 0 , 1 / n ]( x ) x- 1 / 2 [ 0 , 1 ] P( ξn( x ) > 0 ) = 1 / n → 0 n
Agora, apenas crie um estimador onde, conforme sua amostra cresce, você estima o valor verdadeiro com um sorteio de . Observe que esse estimador não é imparcial para 0, mas, para torná-lo imparcial, você pode simplesmente definir com igual probabilidade 1/2 e usá-lo como seu estimador. O mesmo argumento para convergência e variação claramente se aplica.ξ n η n : = ± ξ nμ = 0 ξn ηn: = ± ξn
Editar: se você quiser um exemplo em que a variação seja finita, e considere wp 1/2.ηn:=±Çn
fonte