概率极限

概率极限 (Probability Limit)

概率极限（plim/依概率收敛的极限）是渐近理论中的核心概念：一随机变量序列$\{X_n\}$依概率收敛到常数$c$（记$\operatorname{plim} X_n = c$，等价于$X_n \xrightarrow{p} c$）当且仅当对任意$\varepsilon>0$有$\lim_{n\to\infty}P(|X_n-c|>\varepsilon)=0$。概率极限是大数定律的形式化表达，也是一致性估计量的理论根基。

数学定义

$\operatorname{plim}_{n\to\infty} X_n = c$当$\forall\varepsilon>0$：

区别于几乎必然收敛（a.s.收敛$\Rightarrow$依概率收敛，反之不然）。依概率收敛允许$X_n$以趋于零的概率偏离极限值。

plim运算规则（Slutsky定理推论）

若$\operatorname{plim} X_n = a$，$\operatorname{plim} Y_n = b$，$g(\cdot)$在$a$处连续：

• $\operatorname{plim}(X_n + Y_n) = a + b$
• $\operatorname{plim}(X_n Y_n) = ab$
• $\operatorname{plim}(X_n/Y_n) = a/b$（$b\neq0$）
• $\operatorname{plim}\, g(X_n) = g(a)$（连续映射定理）

计量经济学核心应用

OLS估计量一致性：$\hat{\beta}_n = \beta + (X'X/n)^{-1}(X'\varepsilon/n)$。若$\operatorname{plim}(X'X/n) = Q_{XX}$（正定）且$\operatorname{plim}(X'\varepsilon/n) = 0$（外生性），则$\operatorname{plim}\hat{\beta}_n = \beta$。将不一致的估计量称为$\operatorname{plim}\hat{\beta}_n \neq \beta$。

工具变量（IV）：当$X$内生时，IV估计量$\hat{\beta}_{IV} = (Z'X)^{-1}Z'y$满足$\operatorname{plim}\hat{\beta}_{IV} = \beta$当$\operatorname{plim}(Z'X/n) = Q_{ZX}$（满秩）且$\operatorname{plim}(Z'\varepsilon/n) = 0$（工具有效性）。

极大似然估计：在正则条件下$\operatorname{plim}\hat{\theta}_{MLE} = \theta_0$，是一致渐近正态（CAN）估计量的基础。

与期望/极限期望的区别

概率极限的核心优势在于它绕过了期望可能不存在的情形。即使$E[X_n]$发散，$\operatorname{plim} X_n$仍可能存在。例如Cauchy分布无有限期望，但其样本中位数有概率极限。此外$\operatorname{plim} g(X_n) = g(\operatorname{plim} X_n)$（连续映射），而$E[g(X_n)] \neq g(E[X_n])$一般成立（Jensen不等式），使plim在非线性变换中更为便捷。

典型例子

样本均值：$\operatorname{plim}\bar{X}_n = \mu$（Khinchin大数定律）。样本方差：$\operatorname{plim} s_n^2 = \sigma^2$。样本协方差：$\operatorname{plim}\widehat{\operatorname{Cov}}(X,Y) = \operatorname{Cov}(X,Y)$。若$\hat{\theta}_n$是一致估计量且$\operatorname{Var}(\hat{\theta}_n)\to0$，则$\hat{\theta}_n$均方一致（$\xrightarrow{qm}$），蕴含依概率收敛。