渐近性质

渐近性质 (Asymptotic Properties)

描述估计量在样本量$n\to\infty$时行为特征的性质→有限样本性质难推导时→渐近分析为参数推断/假设检验提供理论依据→计量基石→评价MLE/GMM/非参数估计。

收敛模式与核心性质

收敛模式：①概率收敛$\hat{\theta}_n\xrightarrow{p}\theta_0$（任意$\epsilon>0:\lim P(|\hat{\theta}_n-\theta_0|>\epsilon)=0$）；②几乎必然收敛$\xrightarrow{a.s.}$（强于概率收敛）；③分布收敛$\xrightarrow{d}$（标准化后分布→极限分布）。

一致性=依概率收敛于真参数→保证样本↑→误差→0→最基本最重要。分弱（概率收敛）与强（几乎必然）。充分条件：模设正+参空间紧+目标函数概率连。MLE正则条件一致：$\hat{\theta}_{MLE}\xrightarrow{p}\theta_0$。

渐近正态性：$\sqrt{n}(\hat{\theta}_n-\theta_0)\xrightarrow{d}N(0,\Sigma)$→由大数定律+中心极限定理+Delta方法推导→构置信区间/假设检验/较估计量渐近效率。OLS高尔-马条件下：$\sqrt{n}(\hat{\beta}_{OLS}-\beta_0)\xrightarrow{d}N(0,\sigma^2Q^{-1})$，$Q=\lim X'X/n$。

渐近有效性：一致+渐近正态估计量中方差最小→达克拉默-拉奥下界者渐近有效。MLE正则条件：$\sqrt{n}(\hat{\theta}_{MLE}-\theta_0)\xrightarrow{d}N(0,I(\theta_0)^{-1})$→费雪信息矩阵。

理论与应用

理论基础：弱/强大数定律（i.i.d.均值$\xrightarrow{p/a.s.}E$）；Lindberg-LevyCLT（$\sqrt{n}(\bar{X}-\mu)\xrightarrow{d}N(0,\sigma^2)$）；连续映射定理（依概率+连续→复合亦依概率）；Delta方法（$\sqrt{n}(g(X_n)-g(\theta))\xrightarrow{d}N(0,[g'(\theta)]^2\sigma^2)$）。

GMM：识别+矩条件成立→一致+渐近正态；核密度收敛速度$O_p(n^{-2/5})$<参数$O_p(n^{-1/2})$；时间序列依赖数据→需混合条件/鞅差条件+平稳+遍历。

局限：有限样本可差→收敛速度异→模型误设敏感→高维参数随n增可失效→现代研究趋高维统计+非渐近分析→结合蒙特卡洛模拟补。