渐进理论

渐进理论 (Asymptotic Theory)

渐进理论 (Asymptotic Theory)，也称大样本理论 (Large Sample Theory)，是数理统计和计量经济学中研究当样本量 $n$ 趋近于无穷大时，估计量和检验统计量行为的理论体系。它为统计推断提供了不需要精确有限样本分布的理论依据，是现代统计学的核心支柱。

收敛性概念

渐进理论建立在几种收敛性概念之上。设 $\{X_n\}$ 为一列随机变量，$X$ 为一个随机变量或常数。

依概率收敛 (Convergence in Probability)：若对任意 $\varepsilon > 0$，有 $\lim_{n \to \infty} P(|X_n - X| > \varepsilon) = 0$，则称 $X_n \xrightarrow{p} X$。这是大数定律中使用的收敛模式。

依分布收敛 (Convergence in Distribution)：若 $X_n$ 的累积分布函数在 $X$ 的每个连续点处收敛到 $X$ 的分布函数，则称 $X_n \xrightarrow{d} X$。这是中心极限定理中使用的收敛模式。

几乎必然收敛 (Almost Sure Convergence)：若 $P(\lim_{n \to \infty} X_n = X) = 1$，则称 $X_n \xrightarrow{a.s.} X$。这是最强的一种收敛模式。

三种收敛性的强弱关系为：几乎必然收敛 $\Rightarrow$ 依概率收敛 $\Rightarrow$ 依分布收敛。

大数定律

大数定律 (Law of Large Numbers, LLN) 是渐进理论的基础结果。设 $X_1, X_2, \ldots$ 为独立同分布随机变量，期望 $\mu = \mathbb{E}[X_i]$ 存在。

弱大数定律 (WLLN)：样本均值 $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i$ 依概率收敛到 $\mu$，即 $\bar{X}_n \xrightarrow{p} \mu$。

强大数定律 (SLLN)：样本均值 $\bar{X}_n$ 几乎必然收敛到 $\mu$，即 $\bar{X}_n \xrightarrow{a.s.} \mu$。

大数定律保证了当样本量足够大时，样本均值可以作为总体期望的一致估计量。

中心极限定理

中心极限定理 (Central Limit Theorem, CLT) 是渐进理论中最著名的结果。它指出，在一定条件下，标准化后的样本均值依分布收敛到标准正态分布：

其中 $\sigma^2 = \text{Var}(X_i)$。等价地，$\frac{\sqrt{n}(\bar{X}_n - \mu)}{\sigma} \xrightarrow{d} N(0, 1)$。

CLT 是构造置信区间和假设检验的理论基础，也是许多统计方法（如 t 检验、卡方检验）在大样本下近似有效的根本原因。

估计量的渐进性质

一致性 (Consistency)：若 $\hat{\theta}_n \xrightarrow{p} \theta$，则称 $\hat{\theta}_n$ 是 $\theta$ 的一致估计量。一致性是大样本下估计量的基本要求。

渐进正态性 (Asymptotic Normality)：若 $\sqrt{n}(\hat{\theta}_n - \theta) \xrightarrow{d} N(0, V)$，则称 $\hat{\theta}_n$ 是渐进正态的，其中 $V$ 是其渐进方差 (Asymptotic Variance)。渐进正态性使我们可以构造近似置信区间和进行假设检验。

渐进效率 (Asymptotic Efficiency)：在一致且渐进正态的估计量类中，具有最小渐进方差的估计量称为渐进有效的。极大似然估计 (MLE) 在正则条件下是渐进有效的。

重要辅助工具

Slutsky 定理 (Slutsky's Theorem)：若 $X_n \xrightarrow{d} X$ 且 $a_n \xrightarrow{p} a$（常数），$b_n \xrightarrow{p} b$（常数），则：

该定理在推导渐进分布时极为有用。

Delta 方法 (Delta Method)：若 $\sqrt{n}(\hat{\theta}_n - \theta) \xrightarrow{d} N(0, \sigma^2)$ 且 $g(\cdot)$ 是可微函数，则：

Delta 方法用于推导参数非线性函数的渐进分布，在计量经济学和生物统计中应用广泛。

应用

渐进理论在极大似然估计 (MLE)、广义矩估计 (GMM)、最小二乘估计 (OLS) 等估计方法中均有核心应用。MLE 在正则条件下具有一致性、渐进正态性和渐进效率；GMM 的渐进性质由矩条件的平稳性和遍历性保证；OLS 在古典线性回归模型假设下是最佳线性无偏估计 (BLUE)，在大样本下即使误差非正态也渐进有效。