Zayıf tutarlı maksimum olabilirlik tahmin edicisinde (MLE) değerlendirilen gözlemlenen bilgi matrisinin, beklenen bilgi matrisinin zayıf tutarlı bir tahmincisi olduğunu kanıtlamaya çalışıyorum. Bu yaygın olarak alıntılanan bir sonuçtur ancak kimse bir referans veya kanıt vermez (Bence google sonuçlarının ve istatistiklerimin ders kitaplarının ilk 20 sayfasını bitirdim)!
Zayıf şekilde tutarlı bir MLE dizisi kullanarak büyük sayıların (WLLN) zayıf yasasını ve istediğim sonucu elde etmek için sürekli haritalama teoremini kullanabilirim. Ancak sürekli haritalama teoreminin kullanılamayacağına inanıyorum. Bunun yerine büyük sayıların (ULLN) tekdüzen yasasının kullanılması gerektiğini düşünüyorum. Bunun kanıtı olan bir referansı bilen var mı? ULLN'de bir teşebbüsüm var ama şimdilik kısalık için atladım.
Bu sorunun uzunluğu için özür dilerim ama gösterim sunulmalıdır. İşaretleme folow (kanıtım sonunda).
Rastgele değişkenlerin bir iid örnek sahip varsayalım yoğunlukları ile , (burada , örneğin herhangi bir üyesiyle aynı yoğunluğa sahip genel bir rastgele değişkendir). Vektör tüm numune vektörlerinin vektör tüm . Yoğunlukların gerçek parametre değeri ve nın zayıf tutarlı maksimum olasılık tahmin (MLE)θ N- ( Y ) İçeride ISTV melerin RWMAIWi'nin 0. Düzenlilik koşullarına bağlı olarak Fisher Information matrisi şu şekilde yazılabilir:
burada Hessian matrisidir. Örnek eşdeğeri
burada . Gözlenen bilgi matrisi;
,
(bazı insanlar matrisin adresinde değerlendirilmesini bazıları istemez). Gözlemlenen örnek bilgi matrisi;
burada .
I tahmincisi olasılığında yakınsama ispat için değil bölgesinin ile . İşte şimdiye kadarki kanıtım;ı ( θ ) N - 1 J , N ( θ K ( Y ) ) bir ( θ 0 )
Şimdi elementtir arasında , herhangi örnek IID, o olasılık olarak çok sayıda (WLLN), bu summands yakınsak ortalama zayıf hakları ile. . Böylece tüm için vb. Maalesef r,s=1,…,k NN - 1 J , N ( θ K ( Y ) ) p → I ( θ 0 ) N - 1 J , N ( ⋅ ) ı ( ⋅ ) , aynı işlev olmadığından sürekli eşleme teoremini kullanarak .
Bu konuda herhangi bir yardım büyük mutluluk duyacağız.