中心极限定理 (CLT)

中心极限定理 (Central Limit Theorem, CLT)

中心极限定理 (Central Limit Theorem，CLT) 是概率论中关于独立随机变量之和的分布渐近行为的一组定理。其核心结论为：在相当宽松的条件下，大量独立随机变量的标准化和（或均值）的分布近似于正态分布，且此近似不依赖于原始变量的具体分布形态。这一"普适性"性质使正态分布在统计推断中占据中心地位，也是大样本理论中将 t 检验、F 检验和 Wald 检验等渐近方法统一起来的数学基础。

条件层次与推广形式

中心极限定理的条件从严格到宽松构成一系列层次。最基础的Lindeberg-Lévy CLT 要求独立同分布和有限方差；Lyapunov CLT 放宽同分布假设但要求三阶绝对矩的 Lyapunov 条件成立；Lindeberg-Feller CLT 则将条件弱化至三角阵列形式的 Lindeberg 条件——该条件不仅允许异方差，还保证没有任何单一变量能支配总和。在时间序列中，Billingsley 和Ibragimov 的结果将 CLT 推广至强混合 (strong mixing) 过程，而鞅差序列CLT 则为金融计量中 GARCH 类模型的渐近推断提供了理论基础。

计量经济学实践中的角色

在计量经济学的日常实践中，CLT 的作用通常被使用者"视为当然"而无需每次显式验证——OLS 估计量的大样本正态分布性质（$\sqrt{n}(\hat{\boldsymbol{\beta}} - \boldsymbol{\beta}) \overset{d}{\longrightarrow} N(0, \sigma^2 \mathbf{Q}^{-1})$）通过Slutsky定理和 CLT 的联合使用从残差的独立同分布假设逐级推导至异方差稳健或聚类稳健的标准误形式。

然而，CLT 的近似质量高度依赖样本量、分布的尾部厚度和数据的依赖结构。对于厚尾分布（如金融收益的幂律尾部）、样本量不足或强自相关的时间序列，正态近似的收敛速度可能极其缓慢，导致基于 CLT 的名义置信区间严重偏离实际覆盖概率。在这些情形下，自助法 (Bootstrap) 和极端值理论 (Extreme Value Theory) 为推断提供了不依赖 CLT 正态近似的替代或补充方法。CLT 不是"万能的渐近通行证"，而是一组需要在具体数据生成过程的特征下评估适用边界的理论工具。