计量
- 培训职业
- 2025-05-06 16:04:34
M-估计量（M-Estimator）是一个通过最大化或最小化目标函数来寻找参数总和的统称。计量经济学中常用的M-估计量包括广义矩条件（GMM）和最大似然法（MLE）。目标函数Q基于样本数据。GMM通过矩条件g和权重矩阵w来计算，而MLE则通过分布函数f。最终目标是找到数据生成过程（Data Generating Process）的参数。保证这种方法正确性和基于样本进行假设检验需要参数估计的一致性和渐近正态性。这些特性可以通过渐进定理进行分析。
为了证明一致性，我们需要遵循一致大数定律。这条定律适用于参数空间是紧凑的，样本数据独立同分布的场景。这里h函数是对Qn目标函数的替换，适用于不同情况下的证明。一致性表示，对于任何参数θ，h的期望值为θ的一致估计。
一致大数定律证明了，当样本量无限增大时，h函数对于所有θ的一致估计收敛至θ的真值。证明过程通过将参数空间分解为有限个子空间，并利用控制收敛定理来分析。连续性假设保证了h函数在θ的每个值上几乎必然连续。最终证明了参数估值在真值附近的概率趋向于1。
在证明M-估计量的一致性时，我们需要假定参数空间是紧凑的，样本数据独立同分布，并且目标函数Qn一致收敛至期望值Q*。Q*是一个基于数据生成过程构建的目标函数，而Qn是基于样本数据的估值。我们需要一致性而不是点对点的收敛。在GMM和MLE的证明中，需要原始条件来证明目标函数的一致收敛。
M-估计量的渐近正态性指的是参数估值在样本量无限大时，其分布趋向于正态分布。证明此特性通常涉及泰勒展开，并考虑目标函数在θ0附近的二次可导性。假设参数估值是一致的，目标函数在θ0附近的二次导数一致收敛至H(θ)，H在θ0处连续且可逆。在θ估值接近θ0时，根据连续映射定理，可以得出参数估值的渐近正态分布。最终，可以通过估计方差来进一步分析参数估值的性质。
总的来说，M-估计量的渐进定理包括一致大数定律、一致性以及渐近正态性。这些定理在数据生成过程符合某些特性的条件下适用。不同情况下需要灵活运用不同的证明方法和假设条件。在某些特殊情况，如参数在边界时或更高阶矩不存在，上述定理可能不适用。因此，在使用渐进定理时，需要考虑数据生成过程的具体特性。
上一篇
考研真相如何高效使用
下一篇
如何理解 满清之后无汉人
多重随机标签