马尔科夫大数定律

马尔科夫大数定律 (Markov's Law of Large Numbers)

马尔科夫大数定律（Markov's Law of Large Numbers）是概率论中大数定律的重要推广。它为一系列随机变量的样本均值依概率收敛到其期望的均值提供了更为宽泛的充分条件。与要求随机变量相互独立的辛钦大数定律不同，马尔科夫大数定律放宽了对独立性的要求，允许变量之间存在一定程度的相关性，因此在计量经济学和时间序列分析等领域具有重要的应用价值。

定理陈述与核心条件

设定 $\{X_n\}_{n=1}^\infty$ 为一随机变量序列，定义样本均值 $\bar{X}_n = (1/n)\sum_{i=1}^n X_i$。若方差条件满足

则 $\bar{X}_n - (1/n)\sum \mathbb{E}[X_i] \xrightarrow{p} 0$。也就是说，样本均值与平均期望之间的差异依概率趋于零。这一结论的 remarkable 之处在于，即使随机变量序列 $X_n$ 不是独立同分布的，甚至不是平稳的，只要总和的方差增长速度低于 $n^2$，方差条件即可成立。该条件的证明直接由马尔科夫不等式（也即切比雪夫不等式）完成。

马尔科夫大数定律不需要同分布，不需要独立性，甚至不需要有限的一阶矩之外的更强矩条件。当独立性较弱时，方差条件仍然可以作为充分条件。例如，若序列为鞅差序列或弱相关序列，方差条件同样适用。

在大数定律体系中的位置

在大数定律的完整体系中，弱大数定律要求独立同分布且方差有限；辛钦大数定律进一步放宽，仅需独立同分布且期望有限，通过特征函数或截断法去除方差假设；而马尔科夫大数定律几乎只要求方差条件，甚至不要求独立性。强大数定律的收敛模式更强，要求几乎必然收敛，通常需要更严格的条件，例如Kolmogorov强大数定律要求独立同分布且期望有限。

在时间序列分析中，渐近不相关序列、遍历性过程、白噪声以及许多平稳时间序列，其方差条件可以通过协方差平稳性和绝对可和的自相关函数来满足。马尔科夫条件保证了样本矩的大样本相合性，为GMM估计和OLS所要求的样本矩收敛提供了理论基础。它是计量经济学大样本理论中确保估计量一致性所需的最宽泛条件之一，在理论和应用层面都具有不可替代的地位。