渐进方差

渐进方差 (Asymptotic Variance)

渐进方差（Asymptotic Variance）→数理统计/计量→描估计量当样本量趋于无穷时极限分布之离散程度。与"精确"方差（有限样本方差）不同→渐进方差反映估计量极限（通常为正态分布）之方差参数，乃大样本渐近性质核心概念。

定义与形式

若$\{\hat{\theta}_n\}_{n=1}^\infty$为参数θ估计量序列→满足

→称σ²/n为$\hat{\theta}_n$之渐进方差（或渐近方差）→σ²称渐进方差参数。正式记：$\mathrm{Asy.Var}(\hat{\theta}_n)=\sigma^2/n$。定义中\sqrt{n}标准化使极限分布非退化→此因大多数一致且正则条件下估计量收敛速为$\sqrt{n}$。

重要区分：渐进方差$\neq$精确方差极限。后者为零（估计量一致时）。渐进方差乃缩放极限方差=$\lim_{n\to\infty} n\cdot\mathrm{Var}(\hat{\theta}_n)$。

与Fisher信息量关系

对极大似然估计（MLE）→渐进方差可达Cramér-Rao下界。正则条件下：

其中$\mathcal{I}(\theta)$为Fisher信息量（单次观测）。故MLE之渐进方差=$\mathcal{I}$($\theta$)^{-1}/n →MLE具渐近有效性。此乃MLE成为统计推断首选方法要因。

渐进方差估计

实践中需估计渐进方差→常用方法：插入法（Plug-in）→以$\hat{\theta}_n$代入渐方差公式得$\widehat{\mathrm{Asy.Var}}$。对MLE→用观测Fisher信息矩阵之逆：

其中$\ell_n$为对数似然函数。或用期望Fisher信息之逆估。

Delta方法→已知某估计量渐方差→求其可微函数g($\hat{\theta}$)之渐方差：

。多元情形：$\mathrm{Asy.Var}(g(\hat{\theta}_n))=\nabla g(\theta)^T\Sigma\nabla g(\theta)/n$。

与标准误关系

渐进标准误（Asymptotic Standard Error）→渐进方差之平方根：$\widehat{\mathrm{ASE}}(\hat{\theta}_n)=\sqrt{\widehat{\mathrm{Asy.Var}}(\hat{\theta}_n)}$。用于构造置信区间：$\hat{\theta}_n\pm z_{\alpha/2}\cdot\widehat{\mathrm{ASE}}$。此区间具正确渐近覆盖概率→有限样本质虽不一定最优→大样本下可靠。

GMM与渐进方差

广义矩估计（GMM）之渐进方差具特殊结构→与矩条件个数及权重矩阵关。对恰定GMM：

G为矩条件导矩阵→W为权重矩阵。最优权（$W=S^{-1}$）下缩为$(G^TS^{-1}G)^{-1}$→达渐近有效。

应用示例

样本均值→CLT：$\sqrt{n}(\bar{X}-\mu)\to N(0,\sigma^2)$→渐方差=σ²/n→样本方差渐进方差：Delta方法→$S_n^2$为σ²一致估→$\sqrt{n}(S_n^2-\sigma^2)\to N(0,\mu_4-\sigma^4)$→μ₄为四阶中心矩→OLS渐方差：$\sqrt{n}(\hat{\beta}_{OLS}-\beta)\to N(0,\sigma^2Q_{XX}^{-1})$→$Q_{XX}$为设计矩阵二阶矩极限→MLE：同前Fisher逆→IV/2SLS渐方差含内生性调整。

渐进方差概念连接大样本理论之一致性与渐近正态性→为估计量精度比较、假设检验与置信区间构造之基石。深入解→参考估计量、Delta方法、Fisher信息矩阵、GMM。