样本分位数的一致性

机器算法验证 样本 一致性
2022-03-25 02:46:58

我是统计新手,最近我了解了非参数估计。关于经验分位数的估计,许多笔记都谈到了样本分位数的渐近行为。证明是基于经验分位数估计量的一致性,然后结合 delta 方法应用 Slutsky 定理(假设 cdf 为C1在考虑的点)。

然而,它似乎给出了一个非常古老且微不足道的结果,即经验分位数在概率上收敛于真实值(与C1cdf假设)。我问过我的教授,他只是使用 Hoeffding 不等式给出了建议(他不想花时间解释这么简单的问题)。那么,有人可以向我提供这方面的证据,或涵盖此问题的参考资料(例如互联网上的注释,或指向 pdf 文件的链接。)

2个回答

使用 Hoeffding 不等式的证明可以在这些注释的第 8 页找到。

另一种可能更间接地证明这一点的方法是注意样本分位数也是M-estimator,特别是当ρ(yi,θ)=α(yiθ)++(1α)(θyi)+.

正因为如此,它具有 M 估计器的所有属性,其中之一是它在概率上与其均值一致(在概率上收敛),即真实/总体分位数。

这个定理的(一般 M 估计量)证明使用了 Slutsky 和 ​​Taylor-expansion/Delta-method。

您的问题并未要求显示收敛速度,因此使用 Hoeffding 可能是矫枉过正。