大样本性质

大样本性质 (Large Sample Properties)

大样本性质（Large Sample Properties），在统计学和计量经济学中常称为渐近性质（Asymptotic Properties），是指当样本容量 $n$ 趋向无穷大时估计量或检验统计量所表现出的性质。在实际研究中获取总体分布往往困难，或有有限样本下统计量的精确分布极复杂甚至无法推导，大样本理论提供了一种强有力的近似工具。通过分析数据量无限增加时统计量的行为，可以有效地进行统计推断。

有限样本性质与大样本性质的区别

有限样本性质关注 $n$ 为任意固定有限正整数时估计量的性质，如无偏性和有效性。大样本性质关注 $n$ 极大时估计量的极限行为。理解大样本性质的基础是随机收敛概念，两种主要收敛方式包括依概率收敛（$X_n \xrightarrow{p} X$，n极大时 $X_n$ 落在以X为中心的极小区间外的概率趋近零）和依分布收敛（$X_n \xrightarrow{d} X$，n极大时 $X_n$ 的累积分布函数逐点逼近X的累积分布函数）。

三大核心支柱

一致性是大样本理论中最基本的要求，若估计量不具有一致性，即使收集再多数据也无法获得真实参数的准确估计。若 $\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| \ge \epsilon) = 0$ 对所有 $\epsilon > 0$ 成立（即 $\hat{\theta}_n \xrightarrow{p} \theta$），称 $\hat{\theta}_n$ 为 $\theta$ 的一致估计量。无偏性和一致性并不等价，估计量可无偏非一致或一致非无偏。一致性通常依赖于大数定律（LLN）。

渐近正态性方面，有限样本下估计量分布可能极复杂，但渐近正态性保证样本量足够大时许多估计量分布近似正态分布，为构造置信区间和假设检验提供理论基础。若 $\sqrt{n}(\hat{\theta}_n - \theta) \xrightarrow{d} N(0, V)$（V为正的常数或矩阵，称渐近方差），注意 $\sqrt{n}$ 因子，因 $\hat{\theta}_n$ 收敛至 $\theta$ 方差趋于零，需放大波动得非退化极限分布。n大时可近似认为 $\hat{\theta}_n \sim N(\theta, V/n)$，理论基础为中心极限定理（CLT）。

渐近有效性方面，若一个估计量的渐近方差达到克拉美-拉奥下界，称其为渐近有效估计量，在渐近意义上优于其他估计量，最大似然估计（MLE）在正则性条件下具有渐近正态性和渐近有效性。在时间序列研究和面板数据模型中，大样本理论区别于传统的截面数据CLT，需要遍历性、鞅差分序列或混合条件等更复杂的收敛结果。大样本性质是计量经济学中非线性最小二乘法、广义矩估计（GMM）和非参数估计等现代估计方法的理论基础，这些方法的有限样本分布通常难以推导，因此渐近推断成为实证中的标准分析范式。