27-10-2014: Desafortunadamente (para mí, eso es), nadie ha aportado una respuesta aquí, tal vez porque parece un tema teórico "patológico" extraño y nada más.
Bueno, para citar un comentario para el usuario Cardinal (que luego exploraré)
"Aquí hay un ejemplo ciertamente absurdo, pero simple. La idea es ilustrar exactamente qué puede salir mal y por qué. Tiene aplicaciones prácticas (mi énfasis). Ejemplo: Considere el modelo típico de iid con un segundo momento finito. Let donde es independiente de
y cada uno con probabilidad y es cero de lo contrario, con arbitrario Entonces es imparcial, tiene una varianza limitada a continuación por , y casi con seguridad (es muy consistente). Dejo como ejercicio el caso con respecto al sesgo ". Zn ˉ X nZn=±unn1/n2a>0θ^n=X¯n+ZnZnX¯nZn=±an1/n2a>0un2 θ n→muθ^na2θ^n→μ
La variable aleatoria inconformista aquí es , así que veamos qué podemos decir al respecto.
La variable tiene soporte con las probabilidades correspondientes . Es simétrico alrededor de cero, entonces tenemos { - a n , 0 , a n } { 1 / n 2 , 1 - 2 / n 2 , 1 / n 2 }Zn
{−an,0,an}{1/n2,1−2/n2,1/n2}
E(Zn)=0,Var(Zn)=(−an)2n2+0+(an)2n2=2a2
Estos momentos no dependen de así que supongo que se nos permite escribir trivialmenten
limn→∞E(Zn)=0,limn→∞Var(Zn)=2a2
En las asíntotas del pobre hombre, conocemos una condición para que los límites de los momentos sean iguales a los momentos de la distribución limitante. Si el -ésimo momento de los finitos converge distribución caso a una constante (como es nuestro caso), entonces, si por otra parte,r
∃δ>0:limsupE(|Zn|r+δ)<∞
El límite del momento será el momento de la distribución limitante. En nuestro casorrr
mi( | ZnorteEl |r + δ) = | - una n |r + δnorte2+ 0 + | una n |r + δnorte2= 2 ar + δ⋅ nr + δ- 2
Para esto diverge para cualquier , por lo que esta condición suficiente no se cumple para la varianza (sí se cumple para la media).
Tome la otra dirección: ¿Cuál es la distribución asintótica de ? ¿El CDF de converge a un CDF no degenerado en el límite?δ > 0 Z n Z nr ≥ 2δ> 0
ZnorteZnorte
No parece que sea así: el soporte limitante será (si se nos permite escribir esto), y las probabilidades correspondientes . A mí me parece una constante.
Pero si no tenemos una distribución limitante en primer lugar, ¿cómo podemos hablar de sus momentos? { 0 , 1 , 0 }{ - ∞ , 0 , ∞ }{ 0 , 1 , 0 }
Luego, volviendo al estimador , dado que también converge a una constante, parece que ˉ X nθ^nX¯n
θ^n no tiene una distribución limitante (no trivial), pero tiene una variación en el límite. ¿O tal vez esta variación es infinita? ¿Pero una varianza infinita con una distribución constante?
Como podemos entender esto? ¿Qué nos dice sobre el estimador? ¿Cuál es la diferencia esencial, en el límite, entre y ?~ θ n = ˉ X nθ^n=X¯n+Znθ~n=X¯n