渐近正态性

专业知识 · 20-Knowledge/统计推断/渐近正态性.md

# 渐近正态性

概念解释

渐近正态性指样本量 $n$ 增大时，某个估计量经过中心化和缩放后，分布越来越接近正态分布。它是大样本统计推断的基础，使我们能用正态近似构造检验和区间。

公式与计算

中心极限定理给出最经典例子：

$$ \frac{\sqrt n(\bar X-\mu)}{\sigma}\Rightarrow N(0,1) $$

许多估计量可写成：

$$ \sqrt n(\hat\theta-\theta_0)\Rightarrow N(0,V) $$

因此近似有：

$$ \hat\theta \approx N\left(\theta_0,\frac{V}{n}\right) $$

与其他名词的关联

• 最大似然估计：常规条件下 MLE 渐近正态，方差可由 Fisher 信息给出。
• 置信区间：Wald 区间依赖估计量的渐近正态性。
• 假设检验：大样本 $z$ 检验、Wald 检验、得分检验都依赖渐近分布。
• ../极值理论/广义极值分布：普通均值的极限常是正态，而最大值的极限不是正态，这正是极值理论的特殊性。

典型应用场景

• 大样本均值、比例、回归系数的推断。
• 机器学习中用 bootstrap 或渐近近似评估指标波动。
• 解释为什么样本量大时很多统计量可以使用正态近似。

易错点

• 渐近正态是极限结论，小样本不一定可靠。
• 重尾分布、强相关数据可能破坏常规中心极限定理条件。
• 极端最大值通常不按正态极限收敛，需要 ../极值理论/广义极值分布。

课后习题

1. 抛硬币 10000 次，正面比例为什么近似正态？
2. 如果样本来自极重尾分布，直接套中心极限定理有什么风险？
3. 渐近正态性如何用于构造 $\hat\theta$ 的置信区间？

答案

1. 伯努利样本均值满足中心极限定理。
2. 方差可能不存在或收敛很慢，正态近似可能严重偏差。
3. 用 $\hat\theta\pm z_{\alpha/2}\widehat{\mathrm{se}}(\hat\theta)$。