大样本/渐近性质

大样本/渐近性质

大样本渐近性质（Asymptotic Properties）是计量经济学和数理统计的核心理论基础，研究当样本量 $n \to \infty$ 时估计量和检验统计量的极限行为。由于在实际应用中样本量总是有限的，渐近理论为统计推断提供了重要的近似依据。主要的渐近性质包括相合性（Consistency）、渐近正态性（Asymptotic Normality）和渐近有效性（Asymptotic Efficiency），它们分别回答估计量是否收敛到真值、极限分布是否为正态、以及方差是否达到最小这三个核心问题。

相合性

相合性是最基本的渐近性质，要求估计量 $\hat{\theta}_n$ 依概率收敛到真实参数 $\theta_0$，即 $\hat{\theta}_n \xrightarrow{p} \theta_0$。一个充分条件是均方相合性：若 $\lim_{n\to\infty} \mathrm{Bias}(\hat{\theta}_n) = 0$ 且 $\lim_{n\to\infty} \mathrm{Var}(\hat{\theta}_n) = 0$，则由切比雪夫不等式可得 $\hat{\theta}_n \xrightarrow{p} \theta_0$。

大数定律（Law of Large Numbers, LLN）是相合性的核心支撑工具。弱大数定律（WLLN）保证独立同分布随机样本的样本均值依概率收敛到总体均值：$\bar{X}_n \xrightarrow{p} \mu$；强大数定律（SLLN）则保证几乎必然收敛：$\bar{X}_n \xrightarrow{a.s.} \mu$。在计量经济学中，格里文科-康泰利定理（Glivenko-Cantelli Theorem）将大数定律推广到经验分布函数，保证经验分布函数一致收敛到真实分布函数。

对于更复杂的估计量（如工具变量估计量、GMM估计量），相合性通常依赖于一致大数定律（Uniform LLN, ULLN）和识别条件（Identification）。一致大数定律要求函数类 $\mathcal{F}$ 上的均值函数 $\mathbb{E}[f(Z_i, \theta)]$ 被其样本对应量一致地逼近，这需要函数类满足一定的随机等度连续性（Stochastic Equicontinuity）条件，通常由测度理论中的丹尼尔-科尔莫戈罗夫（Donsker）性质或维恩图熵条件来刻画。

渐近正态性

渐近正态性要求 $\sqrt{n}(\hat{\theta}_n - \theta_0) \xrightarrow{d} N(0, \Sigma)$，它使得我们可以构造置信区间和进行假设检验。中心极限定理（Central Limit Theorem, CLT）是渐近正态性的基石：独立同分布随机样本的标准化均值 $\sqrt{n}(\bar{X}_n - \mu) / \sigma \xrightarrow{d} N(0, 1)$。

林德伯格-列维CLT（Lindeberg-Levy CLT）适用于独立同分布情形，而林德伯格-费勒CLT（Lindeberg-Feller CLT）放松了同分布假设，允许异方差情形，仅需林德伯格条件（Lindeberg Condition）确保没有单个观测对总和的方差贡献过大。在时间序列背景下，鞅差序列CLT（Martingale Difference CLT）和混合序列CLT（Mixing CLT）进一步放宽了独立性假设，适用于ARMA模型和GARCH模型等常见时间序列设定。

Delta方法（Delta Method）是渐近正态性的重要推广工具：若 $\sqrt{n}(\hat{\theta}_n - \theta_0) \xrightarrow{d} N(0, \Sigma)$，且 $g(\cdot)$ 在 $\theta_0$ 处连续可微，则 $\sqrt{n}(g(\hat{\theta}_n) - g(\theta_0)) \xrightarrow{d} N(0, \nabla g(\theta_0)' \Sigma \nabla g(\theta_0))$。该方法广泛用于计算非线性函数的估计量的渐近方差，如对数几率模型中边际效应的标准误计算。

斯拉茨基定理与连续映射定理

斯拉茨基定理（Slutsky's Theorem）是渐近分析中最常用的工具之一：若 $X_n \xrightarrow{d} X$ 且 $a_n \xrightarrow{p} a$（常数），则 $X_n + a_n \xrightarrow{d} X + a$，$a_n X_n \xrightarrow{d} aX$，以及 $X_n / a_n \xrightarrow{d} X/a$（若 $a \neq 0$）。该定理使得我们可以将收敛的随机变量序列与收敛的常数序列组合，简化了渐近分布的推导。

连续映射定理（Continuous Mapping Theorem, CMT）进一步推广：若 $X_n \xrightarrow{d} X$（或 $X_n \xrightarrow{p} X$）且 $g(\cdot)$ 在支撑集上连续，则 $g(X_n) \xrightarrow{d} g(X)$（或 $g(X_n) \xrightarrow{p} g(X)$）。例如，若 $t_n \xrightarrow{d} t_0$，则 $t_n^2 \xrightarrow{d} t_0^2$。

渐近有效性

渐近有效性衡量估计量在极限意义下的效率。对于参数模型，克拉美-拉奥下界（Cramér-Rao Lower Bound, CRLB）提供了无偏估计量方差的下界：$\mathrm{Var}(\hat{\theta}) \geq 1 / \mathcal{I}(\theta)$，其中 $\mathcal{I}(\theta) = \mathbb{E}[(\partial \log L(\theta; X) / \partial \theta)^2]$ 为费雪信息量（Fisher Information）。达到该下界的估计量称为有效估计量。

最大似然估计量（MLE）在正则条件下具有理想的渐近性质：相合性、渐近正态性 $\sqrt{n}(\hat{\theta}_{MLE} - \theta_0) \xrightarrow{d} N(0, \mathcal{I}(\theta_0)^{-1})$，且方差达到克拉美-拉奥下界，因此是渐近有效的。广义矩估计（GMM）在最优权重矩阵下也达到渐近有效。

渐近相对效率

比较两个相合估计量 $\hat{\theta}_n$ 和 $\tilde{\theta}_n$ 时，定义渐近相对效率（Asymptotic Relative Efficiency, ARE）为二者渐近方差之比的倒数：$\mathrm{ARE}(\hat{\theta}, \tilde{\theta}) = \mathrm{AVar}(\tilde{\theta}) / \mathrm{AVar}(\hat{\theta})$。若 $\mathrm{ARE} > 1$，则 $\hat{\theta}_n$ 更有效。例如，在简单线性回归中，OLS估计量相对于中位数回归估计量（LAD）在正态误差下的渐近相对效率为 $2/\pi \approx 0.637$，表明OLS更有效；但在拉普拉斯分布误差下，ARE 达到无穷大，LAD更优。

渐近分布自由的推断

在某些情况下，估计量的极限分布可能不是正态的，这通常发生在非标准设定下。例如：

• 单位根过程：Dickey-Fuller检验统计量的极限分布是维纳过程的泛函，而非标准正态分布，需要专门的临界值表。
• 极值估计：极值估计量的极限分布是极值分布（如Gumbel分布），而非正态分布。
• 门槛回归：门槛参数在零假设下不可识别，导致检验统计量的极限分布为复合维纳过程的泛函，需通过自助法（Bootstrap）获取临界值。

在这些非标准情形下，自助法（Bootstrap）和子抽样（Subsampling）提供了渐近有效的推断方法，不依赖于极限分布的解析形式。

Bootstrap渐近性质

自助法（Bootstrap）的渐近有效性依赖于再抽样一致性：Bootstrap分布必须一致地逼近真实抽样分布。对于相合且渐近正态的估计量，标准Bootstrap（非参数Bootstrap）通常有效。但在以下情形中Bootstrap可能失效：

• 极值统计量：如最大值、最小值，其极限分布不连续依赖于分布函数。
• 单位根过程：Bootstrap需要特殊设计（如差分Bootstrap）才能保持原假设下的积分性质。
• 弱识别：当工具变量与内生变量仅微弱相关时，Bootstrap推断需要校正。

m-out-of-n Bootstrap和子抽样（Subsampling）是解决上述问题的替代方案，它们通过使用更小的再抽样样本量（$m \ll n$）来获得一致性。

渐近理论在计量经济学中的应用

渐近理论为现代计量经济学方法提供了理论基础：

• 异方差稳健标准误：Eicker-Huber-White标准误在异方差下仍保持一致估计，其理论依据来自林德伯格-费勒CLT和一致大数定律。
• 聚类标准误：当聚类数 $G \to \infty$ 时，聚类稳健标准误具有渐近正态性；当聚类数固定而组内观测数趋于无穷时，需使用聚类固定效应模型。
• 两阶段最小二乘法（2SLS）：在工具变量相关且满足外生性条件下，2SLS估计量具有相合性和渐近正态性，其渐近方差大于OLS估计量。
• 广义矩估计（GMM）：Hansen（1982）建立了GMM估计量的一般渐近理论，包括J检验（过度识别检验）的渐近卡方分布。

总之，大样本渐近性质是理解现代计量经济学方法有效性的理论基石。尽管实践中样本量有限，渐近理论为统计推断提供了可靠的近似框架，指导着估计量的选择、标准误的计算和检验统计量的构造。