弱收敛

弱收敛 (Weak Convergence)

弱收敛 (Weak Convergence) 是 概率论 与 测度论 中的核心收敛概念，描述一列概率测度（或随机变量）在分布意义上的极限行为。在概率论中，弱收敛与 依分布收敛 (Convergence in Distribution) 等价，是四种经典随机收敛模式中要求最弱的一种。其理论基石由 Alexandroff、Kolmogorov、Prokhorov 等数学家在 20 世纪中叶奠定，现已成为 计量经济学、统计学 中渐近理论 (Asymptotic Theory) 的基本语言。

定义

设 $S$ 是一个可度量空间，配备 Borel $\sigma$-代数 $\mathcal{B}(S)$。设 $\{P_n\}_{n=1}^\infty$ 和 $P$ 是 $(S, \mathcal{B}(S))$ 上的概率测度。称 $P_n$ 弱收敛 于 $P$，记作 $P_n \xrightarrow{w} P$，若对任意有界连续实值函数 $f \in C_b(S)$，有：

对随机变量而言：设 $\{X_n\}_{n=1}^\infty$ 和 $X$ 是取值于 $S$ 的随机元，分别定义在不必相同的概率空间上，分布为 $P_n = \mathbb{P} \circ X_n^{-1}$、$P = \mathbb{P} \circ X^{-1}$。称 $X_n$ 依分布收敛 于 $X$，记作 $X_n \xrightarrow{d} X$，当且仅当其分布的弱收敛 $P_n \xrightarrow{w} P$ 成立。

特别地，当 $S = \mathbb{R}$ 时，用分布函数 (CDF) 判定更为直观：设 $F_n(x) = P(X_n \le x)$，$F(x) = P(X \le x)$，则 $X_n \xrightarrow{d} X$ 当且仅当在 $F$ 的每个连续点 $x$ 处有：

Portmanteau 定理（等价刻画）

弱收敛具有多个等价刻画，统称为 Portmanteau 定理 (Portmanteau Theorem)。以下命题等价：

1. $P_n \xrightarrow{w} P$。
2. 对任意开集 $G \subset S$，$\liminf_n P_n(G) \ge P(G)$。
3. 对任意闭集 $F \subset S$，$\limsup_n P_n(F) \le P(F)$。
4. 对任意满足 $P(\partial A) = 0$ 的 Borel 集 $A$（即 $A$ 是 $P$-连续集），$\lim_n P_n(A) = P(A)$。
5. 对任意有界 Lipschitz 函数 $f$，$\int f dP_n \to \int f dP$。

其中条件 (4) 在 渐近理论 中尤为实用：通过选取合适的 $P$-连续集 $A$，可避免在边界上发生概率堆积的复杂情形。条件 (5) 则将检验函数从 $C_b(S)$ 缩减为 Lipschitz 族，在实际验证中提供便利。

特征函数与 Lévy 连续性定理

在 $S = \mathbb{R}^k$ 时，弱收敛可通过 特征函数 (Characteristic Function) 得到优雅刻画。记 $\varphi_n(t) = \mathbb{E}[e^{i t' X_n}]$，$\varphi(t) = \mathbb{E}[e^{i t' X}]$。

Lévy 连续性定理 (Lévy Continuity Theorem)：$X_n \xrightarrow{d} X$ 当且仅当对每个 $t \in \mathbb{R}^k$，$\varphi_n(t) \to \varphi(t)$（逐点收敛）。更进一步，若 $\varphi_n(t)$ 逐点收敛到某个在原点连续的函数 $\varphi(t)$，则 $\varphi$ 必为某随机向量 $X$ 的特征函数，且 $X_n \xrightarrow{d} X$。

该定理是证明 中心极限定理 (Central Limit Theorem) 的标准工具：将标准化部分和的分布弱收敛问题转化为其特征函数在 $t = 0$ 附近的 Taylor 展开分析。

连续映射定理与 Slutsky 定理

弱收敛的两个核心运算法则是渐近推断的基础：

连续映射定理 (Continuous Mapping Theorem, CMT)：若 $X_n \xrightarrow{d} X$ 且 $g: S \to T$ 在 $P_X$ 的支撑上几乎处处连续，则 $g(X_n) \xrightarrow{d} g(X)$。该结果使 Delta方法 等工具成为可能——将复杂统计量的分布收敛问题转化为对简单统计量施加连续变换。

Slutsky 定理：若 $X_n \xrightarrow{d} X$ 且 $Y_n \xrightarrow{p} c$（依概率收敛到常数 $c$），则：

这一结果在计量经济学中至关重要：当用一致估计量替代未知参数（如用 $s^2$ 替代 $\sigma^2$）时，Slutsky 定理保证统计量的渐近分布不受影响，从而支持 Wald检验 和 t检验 的大样本有效性。

与其他收敛模式的关系

设 $X_n$ 和 $X$ 定义在同一概率空间上，四种经典收敛模式的关系为：

弱收敛是其中最弱的要求——它不要求随机变量定义在相同概率空间，也不关心逐点行为，仅关注分布层面的逼近。因此，弱收敛是渐近统计中唯一"默认可用"的收敛模式：当更强的收敛无法证明时，弱收敛往往是留下的最后防线。

一个关键反例：$X_n \xrightarrow{d} X$ 不能 推出 $X_n - X \xrightarrow{d} 0$；事实上 $X_n$ 和 $X$ 甚至可以相互独立。这意味着弱收敛不传递差分信息，在构造置信区间时需借助 Slutsky 定理或更为精细的 Bootstrap 方法加以补救。

计量经济学中的应用

弱收敛是现代 计量经济学 渐近理论的底层语言：

• 极大似然估计 (MLE)：在一定正则条件下，$\sqrt{n}(\hat{\theta}_n - \theta_0) \xrightarrow{d} N(0, I(\theta_0)^{-1})$，其中 $I(\theta_0)$ 是 Fisher 信息矩阵。该结论的严格证明依赖于弱收敛框架下的 Cramér-Rao下界 讨论和 Taylor 展开。
• GMM 估计：Hansen 的 广义矩估计 (GMM) 中，矩条件的样本平均依中心极限定理弱收敛于正态分布，进而通过 Delta 方法传递到参数估计量。
• 单位根与协整：在 单位根检验 (Dickey-Fuller) 中，检验统计量弱收敛于布朗运动的泛函而非正态分布，这一"非标准分布"现象深刻改变了推断程序。

紧致性与 Prokhorov 定理

弱收敛理论中，Prokhorov 定理 提供了紧致性判据：一族概率测度 $\mathcal{P}$ 是 胎紧的 (Tight) 当且仅当其在弱拓扑下是相对紧的——即任意序列均存在弱收敛子列。该结果在证明估计量存在渐近分布（即"紧致→子列收敛→识别极限唯一性→整列收敛"的标准论证路径）中扮演关键角色。

记忆要点

弱收敛 = 依分布收敛 = 分布函数在连续点处逐点收敛。Portmanteau 定理给出五种等价刻画，Lévy 定理用特征函数判定，连续映射与 Slutsky 提供运算规则。它是四种收敛中最弱的，也是渐近推断的最后防线。核心直觉：弱收敛只关心"分布长什么样"，不关心随机变量之间的逐点关系。