■ (1) Tại sao các công cụ ước tính lượng tử không phải là Frechet khác biệt nhưng công cụ ước tính bootstrap của chúng vẫn nhất quán?
Bạn cần tính khác biệt của Hadamard (hoặc độ khác biệt nhỏ gọn tùy thuộc vào nguồn tham chiếu của bạn) như một điều kiện đủ để làm cho bootstrap hoạt động trong trường hợp đó, trung vị và bất kỳ lượng tử nào là khác biệt của Hadamard. Sự khác biệt của Frechet là quá mạnh trong hầu hết các ứng dụng.
Vì thông thường nó đủ để thảo luận về một không gian Ba Lan, nên bạn muốn một hàm tuyến tính cục bộ áp dụng một đối số nén điển hình để mở rộng kết quả nhất quán của bạn với tình hình toàn cầu. Cũng xem các bình luận tuyến tính dưới đây.
Định lý 2.27 của [Wasserman] sẽ cho bạn một trực giác về việc phái sinh Hadamard là một khái niệm yếu hơn. Và Định lý 3.6 và 3.7 của [Shao & Tu] sẽ đưa ra điều kiện đủ cho tính nhất quán yếu về tính khác biệt của -Hadamard của chức năng thống kê với kích thước quan sát .T n nρTnn
■ (2) Điều gì sẽ ảnh hưởng đến tính nhất quán của các công cụ ước tính bootstrap?
[Shao & Tu] Trang 85-86 tình huống minh họa trong đó có thể xảy ra sự không nhất quán của các công cụ ước tính bootstrap.
(1) Các bootstrap là nhạy cảm với các hành vi đuôi của dân . Tính nhất quán của yêu cầu các điều kiện thời điểm nghiêm ngặt hơn các điều kiện cần thiết cho sự tồn tại của giới hạn .H B O O T H 0FHB O O TH0
(2) Tính nhất quán của công cụ ước tính bootstrap đòi hỏi một mức độ mịn nhất định từ thống kê (chức năng) nhất định .Tn
(3) Hành vi của công cụ ước tính bootstrap đôi khi phụ thuộc vào phương thức được sử dụng để lấy dữ liệu bootstrap.
Và trong Sec 3.5.2 của [Shao & Tu] họ xem xét lại ví dụ quantile sử dụng làm mịn hạt nhân . Lưu ý rằng các khoảnh khắc là các hàm tuyến tính, trích dẫn trong câu hỏi của bạn "Thông thường tuyến tính tiệm cận cục bộ dường như là cần thiết cho tính nhất quán của bootstrap" đang yêu cầu một số mức độ phân tích của chức năng, có thể cần thiết bởi vì nếu thất bại, bạn có thể tạo ra một số trường hợp bệnh lý như hàm Weierstrass (liên tục nhưng không có gì khác biệt).K
■ (3) Tại sao tuyến tính cục bộ dường như cần thiết trong việc đảm bảo tính nhất quán của công cụ ước tính bootstrap?
Đối với nhận xét "Thông thường tuyến tính tiệm cận địa phương dường như là cần thiết cho tính nhất quán của bootstrap" được thực hiện bởi Mammen như bạn đã đề cập. Một nhận xét từ [Shao & Tu] p.78 như sau, vì họ nhận xét tuyến tính hóa (toàn cầu) chỉ là một công nghệ tạo điều kiện cho bằng chứng về tính nhất quán và không cho thấy bất kỳ sự cần thiết nào:
Tuyến tính hóa là một kỹ thuật quan trọng khác trong việc chứng minh tính nhất quán của các công cụ ước tính bootstrap, vì các kết quả cho thống kê tuyến tính thường có sẵn hoặc có thể được thiết lập bằng cách sử dụng các kỹ thuật được giới thiệu trước đó. Giả sử rằng một Tn thống kê đã cho có thể được xấp xỉ bằng một biến ngẫu nhiên tuyến tính
(trong đó là một thống kê tuyến tính theo ), nghĩa là (3.19) Đặt
và là các chất tương tự bootstrap của và , dựa trên mẫu bootstrapφ(X)XTn=θ+ ¯ Z n +oP(1Zn¯= 1nΣni = 1ϕ ( Xn)ϕ ( X)X
Tn= θ + Zn¯+ oP( 1n--√)
T*nZ*n¯TnZn¯{ X*1, ⋯ , X*n} . Nếu chúng ta có thể thiết lập kết quả cho tương tự (3.19), tức là (3.20) thì giới hạn của (trong đó là giá trị của tham số) giống như của Do đó, chúng tôi đã giảm vấn đề thành vấn đề liên quan đến a "trung bình mẫu" , có công cụ ước tính phân phối bootstrap có thể được hiển thị là nhất quán bằng cách sử dụng các phương thức trong Phần 3.1.2-3.1.4.T*nT*n= θ + Zn¯*+ oP( 1n--√)
HB O O T( x )xP{ √= P{ n--√( Tn- T*n) ≤ x } ¯ Z nP{ n--√( Zn¯- Zn¯*) ≤ x }Zn¯
Và họ đã đưa ra một ví dụ 3.3 về việc đạt được tính nhất quán của bootstrap cho kiểu khởi động MLE. Tuy nhiên, nếu tuyến tính toàn cầu có hiệu quả theo cách đó, thật khó để tưởng tượng làm thế nào người ta sẽ chứng minh tính nhất quán mà không có tuyến tính cục bộ. Vì vậy, tôi đoán đó là những gì Mammen muốn nói.
■ (4) Nhận xét thêm
Ngoài các cuộc thảo luận được cung cấp bởi [Shao & Tu] ở trên, tôi nghĩ những gì bạn muốn là một điều kiện đặc trưng cho tính nhất quán của các công cụ ước tính bootstrap.
Đáng thương thay, tôi không biết một đặc điểm về tính nhất quán của một công cụ ước tính bootstrap cho một lớp phân phối rất chung trong . M( X)Thậm chí nếu có một tôi cảm thấy nó đòi hỏi không chỉ êm ái của. Nhưng có tồn tại đặc tính hóa cho một loại mô hình thống kê nhất định nhưlớptrong [Gine & Zinn]; hoặc lớp thường được hỗ trợ nhỏ gọn (trực tiếp từ thảo luận ở trên) được xác định trên một không gian Ba Lan.CLTTCL T
Thêm vào đó, khoảng cách Kolmogorov - Smirnov, theo sở thích của tôi là khoảng cách sai nếu trọng tâm của chúng tôi là tiệm cận cổ điển (trái ngược với tiệm cận "đồng nhất" cho các quá trình theo kinh nghiệm). Do khoảng cách KS không tạo ra cấu trúc liên kết yếu, là nền tảng tự nhiên để nghiên cứu hành vi tiệm cận, nên cấu trúc liên kết yếu trên không gian được tạo ra bởi khoảng cách Lipchitz bị ràng buộc (khoảng cách OR Prohorov-Levy) được thông qua bởi [Huber] và nhiều tác giả khác khi trọng tâm không phải là quá trình thực nghiệm. Đôi khi việc thảo luận về hành vi hạn chế của quá trình thực nghiệm cũng liên quan đến khoảng cách BL như [Gine & Zinn].M( X)
Tôi ghét phải hoài nghi nhưng tôi vẫn cảm thấy rằng đây không phải là văn bản thống kê duy nhất là "trích dẫn từ khoảng trống". Khi nói điều này, tôi chỉ đơn giản cảm thấy việc trích dẫn bài nói chuyện của van Zwet là rất vô trách nhiệm mặc dù van Zwet là một học giả tuyệt vời.
■ Reference
[Wasserman] Wasserman, Larry. Tất cả các số liệu thống kê phi trắc nghiệm, Springer, 2010.
[Shao & Tu] Shao, Jun, và Đông Thắng Tu. Các jackknife và bootstrap. Mùa xuân, 1995.
[Gine & Zinn] Giné, Evarist và Joel Zinn. "Bootstrapping biện pháp thực nghiệm chung." Biên niên sử xác suất (1990): 851-869.
[Huber] Huber, Peter J. Robust thống kê. Wiley, 1985.