本文介绍了大样本理论在统计学中的应用，主要讨论了当样本量较大时，如何利用渐近方法处理非正态分布的统计问题。通过实例解释了如何在原假设为非正态分布的情况下进行检验，并指出在没有精确解时，渐近理论可用于估计和检验的优化。此外，还提到了最大似然估计的渐近正态性和在比较不同估计方法时使用渐近方差的重要性。
大样本理论系列文章
第一章 :动机和内容简介
Why Asymptotic Statistics？
为什么要研究渐近统计量呢？
我们知道：为了研究总体的参数/性质,常常需要基于观测到的样本构造统计量,去对参数做估计或者假设检验,构造置信区间等。比如用样本均值估计总体均值就是一个常见的例子。
但是并非所有分布都是正态分布或者已知的分布,统计量的精确分布往往是不知道的，这就需要近似的手段，去找到近似的检验和置信区间等。另外,我们基于渐近估计还能检验评估一下我们的统计过程大概靠不靠谱。
一个例子:渐近分布用于假设检验中
- 假设我们有 n n n个 i.i.d 的观测值 X 1 , . . . , X n X_1,...,X_n X1,...,Xn ,均值 μ = E ( X 1 ) \mu=E(X_1) μ=E(X1), 我们要检验 H 0 : μ = μ 0 H_0:\mu=\mu_0 H0:μ=μ0
如果观测来自一个正态分布,根据正态分布性质【具体可见《数理统计讲义》郑明,陈子毅 37页对于正态分布样本均值和样本方差的分布的命题】可以得出下述结论(Under H 0 H_0 H
最低0.47元/天 解锁文章
466
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
