Delta方法

Delta方法 (Delta Method)

Delta方法（Delta Method）是统计学与计量经济学中一种极为重要的技术，用于推导随机变量函数的渐近分布。当一个估计量具有渐近正态性时，Delta方法允许通过泰勒级数展开计算该估计量的非线性函数在大样本下的均值和方差，从而进行假设检验或构造置信区间。核心思想是：如果随机变量序列经缩放后趋于正态分布，只要函数$g(\cdot)$可微，函数值的波动也将趋于正态分布。

单变量与多变量形式

假设$\hat{\theta}_n$是参数$\theta$的估计量，满足$\sqrt{n}(\hat{\theta}_n - \theta) \xrightarrow{d} N(0, \sigma^2)$。若函数$g(\cdot)$在$\theta$处可微且$g'(\theta) \neq 0$，则单变量Delta方法给出：

即$g(\hat{\theta}_n)$的渐近方差为$[g'(\theta)]^2 \sigma^2 / n$。证明思路：在$\theta$处一阶泰勒展开$g(\hat{\theta}_n) \approx g(\theta) + g'(\theta)(\hat{\theta}_n - \theta)$，乘以$\sqrt{n}$得$\sqrt{n}(g(\hat{\theta}_n)-g(\theta)) \approx g'(\theta)\cdot\sqrt{n}(\hat{\theta}_n-\theta)$。由斯卢茨基定理，右侧乘收敛于$g'(\theta)$倍的正态分布。

多变量推广：设$\hat{\Theta}_n$为$k \times 1$向量，$\sqrt{n}(\hat{\Theta}_n - \Theta) \xrightarrow{d} N(0, \Sigma)$，$\Sigma$为协方差矩阵。$g: \mathbb{R}^k \to \mathbb{R}^m$连续可微，雅可比矩阵$\nabla g(\Theta)$的元素为$\partial g_i/\partial \theta_j$。多变量Delta方法给出：

$\nabla g(\Theta) \Sigma \nabla g(\Theta)^T$即为变换后变量的渐近协方差矩阵。

应用场景与重要性

Delta方法在计量和统计建模中应用极广。在计算弹性时，若需研究回归系数比率$\beta_1/\beta_2$的标准误而非单个系数的标准误，Delta方法为比率统计量提供了渐近分布。在最大似然估计（MLE）的后续分析中，二元选择模型（Probit模型、Logit模型）的边际效应是MLE的非线性函数——边际效应的标准误需通过Delta方法从原始系数协方差矩阵计算。在预测值的推断中，非线性回归模型的预测均值$\hat{y} = g(X\hat{\beta})$的标准误计算也依赖Delta方法。

Delta方法的主要注意事项包括：要求函数$g(\cdot)$在真实参数值处可微——不可微点Delta方法不适用或需推广；Delta方法给出的是渐近结果——近似质量取决于样本量和函数非线性程度；导数$g'(\theta)$为零时一阶展开不够，需考虑高阶Delta方法。Delta方法是计量经济学中最基本的技术工具之一——几乎所有非线性模型的推断（标准误、置信区间、系数的联合检验）都直接或间接依赖这一方法。它与Cramér-Rao下界、MLE的不变性等概念共同构成了参数估计与统计推断的现代理论框架。