Utilidade prática da convergência pontual sem convergência uniforme


8

Motivação

No contexto da inferência pós-seleção de modelo, Leeb & Pötscher (2005) escrevem:

Embora se saiba há muito tempo que a uniformidade (pelo menos localmente) dos parâmetros é uma questão importante na análise assintótica, essa lição foi muitas vezes esquecida na prática diária da teoria econométrica e estatística, onde geralmente nos contentamos em provar resultados assintóticos pontuais ( ou seja, resultados válidos para cada valor fixo de parâmetro verdadeiro). Esta amnésia - e a prática resultante - felizmente não tem consequências dramáticas, desde que apenas sejam considerados estimadores suficientemente "regulares" em modelos suficientemente "regulares". No entanto, como os estimadores pós-seleção de modelo são bastante "irregulares", os problemas de uniformidade aparecem aqui com uma vingança.

fundo

Convergência uniforme

Suponhamos que um estimador de convergências uniformemente (WRT ) em distribuição de alguns variável aleatória . Então, para uma determinada precisão , sempre podemos encontrar um tamanho de amostra modo que, para cada a distância da distribuição de e a distribuição de ( ou seja, a distribuição limitante) será, no máximo, para cada .θ^n(α)Z ε > 0 N ε ααZε>0NεαZεn>Nθ^n(α)Zεn>N

Isso pode ser útil na prática:

  1. Ao projetar um experimento, podemos limitar a imprecisão em um nível desejado, arbitrariamente pequeno , encontrando o .N εεNε
  2. Para uma determinada amostra do tamanho , podemos encontrar para limitar a imprecisão.ε NNεN

Convergência ponto a ponto (mas não uniforme)

Por outro lado, suponhamos que um estimador de converge em um pontual forma (WRT ) - mas não uniformemente - em distribuição de alguma variável aleatória . Devido à não uniformidade, existe uma precisão tal que, para qualquer tamanho de amostra , sempre podemos encontrar um valor tal que a distância da distribuição de e a distribuição de (isto é, a distribuição limitante) será pelo menos para alguns .αZεN>0NαN ψψ^n(α)αZεN>0NαNZεn>Nψ^n(αN)Zεn>N

Alguns pensamentos:

  1. Isso não nos diz quão grande será o .εN
  2. Ao projetar um experimento, não podemos mais limitar nossa imprecisão a um arbitrário encontrando um . Mas talvez pudéssemos ligar em algum nível baixo, então não precisaríamos nos preocupar com isso. Mas nem sempre podemos ser capazes de amarrá-lo onde queremos.N ε ε NεNεεN
  3. Nós pode ou não pode encontrar para limitar a imprecisão para uma dada amostra de tamanho . NεNN

Questões

  1. A falta de convergência uniforme torna o estimador praticamente inútil?
    (Acho que a resposta é "não", pois muitos trabalhos se concentram na convergência pontual ...)
  2. Se não, então, quais são alguns exemplos básicos em que o estimador não uniformemente convergente é útil?

Referências:


Em relação a 1: esse é o ponto de Leeb e Pötscher (e também o de Hajek). Em alguns casos, é quase inútil, porque a variação (em N) é muito grande. Penso que o estimador de Hodges também é um ótimo exemplo, ilustrando como a não uniformidade pontual pode ser enganosa.
precisa saber é o seguinte

@hejseb, obrigado. Leeb & Pötscher se referem ao estimador de Hodges. Recentemente, descobri alguns trabalhos em estágio inicial com promessas otimistas de Holcblat & Gronneberg "Por que a inferência econométrica foi possível?" . Não tenho certeza de quão relevante é aqui, mas achei uma abordagem interessante. Está mais relacionado à minha outra pergunta , eu acho.
Richard Hardy

Respostas:


3

É difícil dar uma resposta definitiva, porque "útil" e "inútil" não são matemáticos e, em muitas situações, subjetivas (em outras, pode-se tentar formalizar a utilidade, mas essas formalizações estão novamente abertas à discussão).

Aqui estão alguns pensamentos.

n

(b) A convergência pontual é ainda mais forte do que não ter nenhuma convergência.

nn

(d) Caso não tenhamos um resultado uniforme de convergência, existem várias possibilidades:

i) A convergência uniforme pode de fato se manter, mas ninguém conseguiu provar ainda.

ii) A convergência uniforme pode ser violada, no entanto, só pode ser violada em áreas do espaço de parâmetros que não são realistas; portanto, o comportamento real da convergência talvez esteja correto. Como em (c), apenas porque você não tem um teorema que garanta que você está próximo do valor real não significa que você está longe.

iii) A convergência uniforme pode ser violada e você pode encontrar comportamento irregular em todos os tipos de situações realistas. Muita sorte.

nn

(e) Agora você pode dizer que uma convergência uniforme é claramente útil porque nos dá uma garantia com um claro valor prático e sem isso não teremos nenhuma garantia. Mas, além do fato de que um estimador pode ser bom, mesmo que não possamos garantir que seja bom, também na verdade nuncatenha uma garantia que realmente se aplique na prática, porque na prática as suposições do modelo não se mantêm, e a situação é realmente mais complicada do que dizer: OK, o modelo P está errado, mas há um modelo verdadeiro Q que é muito complicado e pode ser domesticado por um resultado de convergência uniforme não paramétrico; não, todos esses modelos são idealizações e nada é iid ou segue qualquer padrão regular de dependência ou não-identidade (nem mesmo os números aleatórios que usamos nas simulações são de fato números aleatórios). Assim também a garantia de convergência uniforme se aplica a uma situação idealizada, e a prática é uma história diferente. Usamos a teoria como convergência uniforme para fazer declarações de qualidade sobre estimadores em situações idealizadas, porque essas são as situações que podemos lidar. Só podemos realmente dizer, em situações idealizadas,

n


Nada mal :) Exceto que em a) conhecer o valor verdadeiro do parâmetro derrota o ponto de construir um estimador para ele.
Richard Hardy

Justo, eu não queria afirmar que você sabe, mas o "se" provavelmente implica isso.
Lewian
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.