Asymptotic Unbiasedness

Asymptotic Unbiasedness（渐近无偏性）

渐近无偏性（Asymptotic Unbiasedness）是大样本理论中的核心概念，指随着样本容量趋向无穷，估计量的期望值收敛于真实参数。形式上，对于参数 $\theta$ 及估计量序列 $\{\hat{\theta}_n\}_{n=1}^{\infty}$，渐近无偏性定义为：

等价地，$\lim_{n \to \infty} \operatorname{Bias}(\hat{\theta}_n) = 0$。该性质是一致性的必要但不充分条件——一个估计量可以渐近无偏但不一致（若其方差在极限下不趋于零），也可以一致但存在有限样本偏差。

与有限样本无偏性的区别

有限样本无偏性（$\mathbb{E}[\hat{\theta}_n] = \theta$ 对所有 $n$ 成立）是一个更强的要求。许多重要的估计量仅满足渐近无偏性而非有限样本无偏性。典型例子包括：

样本方差：使用分母 $n$ 的估计量 $\hat{\sigma}^2_n = \frac{1}{n}\sum_{i=1}^n (X_i - \bar{X})^2$ 是有偏的（$\mathbb{E}[\hat{\sigma}^2_n] = \frac{n-1}{n}\sigma^2$），但 $\lim_{n\to\infty} \mathbb{E}[\hat{\sigma}^2_n] = \sigma^2$，因此是渐近无偏的。经过贝塞尔校正（分母换为 $n-1$）可获得有限样本无偏性，这一区别在大样本中变得可忽略。

极大似然估计量（MLE）：在正则条件下，MLE 是一致且渐近正态的，但通常在小样本中是有偏的。例如，正态分布方差 $\sigma^2$ 的 MLE $\hat{\sigma}^2_{\text{MLE}} = \frac{1}{n}\sum_{i=1}^n (X_i - \bar{X})^2$ 存在偏差 $-\sigma^2/n$，该偏差随 $n$ 增大而消失。

工具变量估计量：两阶段最小二乘法（2SLS）在有限样本中是有偏的，尤其当工具变量较弱时——其期望值甚至不存在（矩不存在问题）。然而在标准渐近框架下，2SLS 是一致的且渐近无偏。这一问题催生了弱工具变量诊断、LIML 估计量和无偏 Jackknife IV 的发展。

与一致性及渐近正态性的关系

渐近无偏性、一致性和渐近正态性构成了大样本估计理论的三块基石，但三者之间并非简单的包含关系：

一致性意味着渐近无偏性（若 $\hat{\theta}_n \xrightarrow{p} \theta$ 且 $\hat{\theta}_n$ 一致可积，则 $\mathbb{E}[\hat{\theta}_n] \to \theta$），但反之不然。反例：设 $\hat{\theta}_n \sim N(\theta, 1)$，则 $\mathbb{E}[\hat{\theta}_n] = \theta$（无偏），但 $\operatorname{Var}(\hat{\theta}_n) \not\to 0$，该估计量不一致。

渐近无偏性是构造渐近置信区间的逻辑前提。若 $\sqrt{n}(\hat{\theta}_n - \theta) \xrightarrow{d} N(0, \Sigma)$，则渐近无偏性蕴含于渐近正态性之中（期望收敛到零）。基于此的Wald 检验和Delta 方法是计量经济学中最常用的推断工具。

渐近偏差与高阶渐近理论

渐近偏差研究偏差收敛于零的速率。通过 Edgeworth 展开或 Nagar 展开，可将估计量的期望写为：

其中 $B_1/n$ 为一阶偏差项。这一分解在以下场景中具有实际意义：

面板数据固定效应模型：Nickell 偏差（Nickell, 1981）描述了动态面板模型中组内估计量的渐近偏差 $-\frac{1+\phi}{T-1}$（其中 $\phi$ 为自回归系数，$T$ 为时间维度），即使 $N \to \infty$ 也不会消失。这推动了Arellano-Bond 估计量和 Blundell-Bond 系统 GMM 的发展。

偏差校正方法：当一阶偏差序列 $B_1$ 可识别时，可通过解析校正（如解析偏差校正的 MLE）、Bootstrap 偏差校正或 Jackknife 方法消除 $O(1/n)$ 偏差，提升有限样本性能。在高维计量经济学中，去偏差 LASSO 使用修正的 Karush-Kuhn-Tucker 条件构造渐近无偏且渐近正态的低维参数推断。

广义方法中的渐近无偏性

广义矩方法（GMM）的渐近性质建立了更一般的框架：在矩条件 $\mathbb{E}[g(Z_i, \theta_0)] = 0$ 下，GMM 估计量在满足识别和正则条件时是渐近无偏且一致的。然而在弱识别（weak identification）情形中，即使 $n \to \infty$，$\hat{\theta}_{\text{GMM}}$ 的渐近分布也是非标准且存在渐近偏差的，这构成 Stock 和 Wright (2000) 及后续弱识别稳健推断文献的核心关切。

半参数估计进一步放松参数假设，在无限维干扰参数存在时仍保持有限维参数的渐近无偏性。部分线性模型、Cox 比例风险模型和倾向得分匹配均依赖渐近无偏性证明其估计量在以 $\sqrt{n}$ 速率收敛时不受干扰参数估计的渐近污染。