■ (1) Neden kuantil tahmin ediciler Frechet farklılaştırılabilir değiller ama açılış önyükleyicileri hala tutarlı mı?
Bu durumda önyükleme çalışmasını sağlamak için yeterli bir koşul olarak Hadamard türevliliğine (ya da referans kaynağınıza göre kompakt farklılaşmaya sahip olmalısınız) ihtiyacınız var. Frechet farklılığı çoğu uygulamada çok güçlü.
Polonyalı bir alanı tartışmak genellikle yeterli olduğundan, tutarlılık sonucunuzu global duruma genişletmek için tipik bir kompaktlık argümanı uygulamak için yerel olarak doğrusal bir işlevsellik istersiniz. Ayrıca, aşağıdaki lineariazation yorumuna bakın.
[Wasserman] Teorisi 2.27, size Hadamard türevinin nasıl zayıf bir fikir olduğu konusunda bir sezgiyi verecektir. Ve teoremi 3.6 ve 3.7 [Shao ve Tu] açısından zayıf tutarlılığı için yeterli koşul verecek istatistiksel fonksiyonel -Hadamard diferansiyellenebilirlik gözlem boyutu ile .ρTnn
■ (2) Önyükleme tahmincilerinin tutarlılığını ne etkiler?
[Shao & Tu] s.85-86, bootstrap tahmin edicilerinin tutarsızlığının ortaya çıkabileceği durumları göstermektedir.
(1) Önyükleme, popülasyonunun kuyruk davranışına duyarlıdır . tutarlılığı , limitinin varlığı için gerekenden daha katı olan moment koşullarını gerektirir .FHBOOTH0
(2) Önyükleme tahmincisinin tutarlılığı, verilen istatistik (işlevsel) den belirli bir düzeyde pürüzsüzlük gerektirir .Tn
(3) Önyükleme tahmincisinin davranışı bazen önyükleme verileri elde etmek için kullanılan yönteme bağlıdır.
Ve [Shao & Tu] 'nın Sec 3.5.2' de, yumuşatıcı bir çekirdeği kullanarak kuantil örneği tekrar ziyaret ettiler . Momentlerin lineer fonksiyoneller olduğuna dikkat edin, "Tipik olarak yerel asimptotik lineerlik bootstrap tutarlılığı için gerekli gibi görünüyor" sorusunda yer alan alıntı, fonksiyonel olarak bir miktar analitiklik gerektiriyor, çünkü bu başarısız olursa, bazı patolojik durumlar oluşturabilirsiniz. Weierstrass işlevi gibi (sürekli fakat hiçbir yerde ayırt edilemez).K
■ (3) Önyükleme tahmincisinin tutarlılığını sağlamada neden yerel doğrusallık gerekiyor?
Yorumunda da belirtildiği gibi Mammen tarafından yapılan "tipik olarak yerel asimptotik doğrusallık bootstrap tutarlılığı için gerekli gibi görünüyor". [Shao & Tu] s.78'den bir yorum şöyledir, (küresel) doğrusallaştırmanın yorumunu yaptıkları gibi, tutarlılık ispatını kolaylaştıran ve herhangi bir gerekliliği göstermeyen bir tekniktir:
Lineerleştirme , bootstrap tahmin edicilerin tutarlılığını kanıtlamak için bir başka önemli tekniktir , çünkü lineer istatistikler için sonuçlar genellikle mevcuttur veya daha önce tanıtılan teknikler kullanılarak tespit edilebilir. Belirli bir istatistiki doğrusal bir rasgele değişken
(burada doğrusal olarak istatistik ), örneğin, (3.19) Let
ve , önyükleme örneğine göre sırasıyla ve önyükleme analogları olurZn¯=1n∑ni=1ϕ(Xn)ϕ(X)X
Tn=θ+Zn¯+oP(1n−−√)
T∗nZ∗n¯TnZn¯{X∗1,⋯,X∗n} . Eğer (3.19) 'a benzer bir sonuç , yani, (3.20) sonra ( parametresinin değeridir sınırını , .Biz problemi bir problemi . önyükleme dağılımı tahmincisinin Bölüm 3.1.2-3.1.4'teki yöntemler kullanılarak tutarlı olduğu gösterilebilen "sample mean" .T∗nT∗n=θ+Zn¯∗+oP(1n−−√)
HBOOT(x)xP{ √=P{n−−√(Tn−T∗n)≤x} ¯ Z , nP{n−−√(Zn¯−Zn¯∗)≤x}Zn¯
Ve MLE tipi önyükleme için önyükleme tutarlılığı elde etmenin bir örneğini 3.3 verdi. Bununla birlikte, küresel doğrusallık bu şekilde etkiliyse, yerel doğrusallık olmadan tutarlılığı nasıl kanıtlayacağını hayal etmek zor. Sanırım bu, Mammen’in söylemek istediği şeydi.
■ (4) Ek yorumlar
Yukarıda [Shao & Tu] tarafından yapılan tartışmanın ötesinde, bence istediğinizi bootstrap tahmin edicilerinin tutarlılığının bir karakterizasyon koşulu olduğunu düşünüyorum.
Ne yazık ki, çok genel bir dağıtım sınıfı için bir bootstrap tahmincisinin tutarlılığının bir karakterizasyonunu bilmiyorum . M(X)Bir tane olsa bile, sadecepürüzsüzlüğünü gerektirmediğini hissediyorum. Ancak[Gine & Zinn] 'dekisınıfıgibi belirli bir istatistiksel model sınıfı için karakterizasyon var; veya bir Polonya alanı üzerinde tanımlanmış olan, genellikle kompakt destekli sınıf (doğrudan yukarıdaki tartışmadan).CLTTCLT
Artı, Kolmogorov-Smirnov mesafesi, eğer odak noktamız klasik asimptotikse (deneysel işlemler için "tek tip" asimptotiklerin aksine) zevkime göre yanlış mesafedir. KS-mesafe, asimptotik davranışın incelenmesi için doğal bir zemin olan zayıf topolojiyi tetiklemediğinden, alanı üzerindeki zayıf topoloji, [Huber] tarafından kabul edildiği gibi sınırlı Lipschitz mesafesi (OR Prohorov-Levy mesafesi) tarafından tetiklenir. Odaklanmama ampirik bir süreç olmadığında ve diğer birçok yazar. Bazen ampirik sürecin sınırlayıcı davranışının tartışılması [Gine & Zinn] gibi BL mesafesini de içerir.M(X)
Sinik olmaktan nefret ediyorum ama hala bunun "boşluktan alıntı" diyen tek istatistiksel yazı olmadığını düşünüyorum. Bunu söyleyerek van Zwet'in konuşmasının alıntılarının çok sorumsuz olmasına rağmen, van Zwet'in büyük bir alim olduğunu düşünüyorum.
■ Referansı
[Wasserman] Wasserman, Larry. Parametrik Olmayan İstatistiklerin Tümü, Springer, 2010.
[Shao ve Tu] Shao, Jun ve Dongsheng Tu. Jackknife ve önyükleme. Springer, 1995.
[Gine & Zinn] Giné, Evarist ve Joel Zinn. "Genel ampirik önlemleri önyükleme." Olasılığın Annals (1990): 851-869.
[Huber] Huber, Peter J. Robust istatistikleri. Wiley, 1985.